مجموعة بيانات الجينوم المرئي عبارة عن مجموعة بيانات تربط بين اللغة والرؤية من خلال التعليقات التوضيحية الكثيفة للصور التي يتم الحصول عليها من الجمهور، بما في ذلك بيانات الإجابة على الأسئلة المرئية في بيئة الاختيار من متعدد.

تتكون مجموعة البيانات من 1.7 مليون زوج من أسئلة ضمان الجودة لـ 101,174 صورة MSCOCO، بمتوسط 17 سؤالاً لكل صورة.

بالمقارنة مع مجموعة بيانات الإجابة على الأسئلة المرئية، تحتوي مجموعة بيانات الجينوم المرئي على توزيع أكثر توازناً لستة أنواع من الأسئلة: ماذا، وأين، ومتى، ومن، ولماذا، وكيف. بالإضافة إلى ذلك، يقدم Visual Genome 108,000 صورة تحتوي على تعليقات توضيحية كثيفة للأشياء والسمات والعلاقات.