Charades 数据集包含人们进行日常活动的真实视频。该数据集由 9,848 个平均长度为 30 秒的日常室内活动视频组成，涉及 15 种室内场景、 46 个对象类别的交互，包含 30 个动词及 157 个动作类别。

该数据集中的每个视频都带有标注：多个自定义文本描述、动作标签、动作间隔和交互对象类别。平均每个视频包含 6.8 个动作，由数百位用户在自己家中创建。向 267 个用户呈现一个句子，该句子包括固定词汇中的物体和动作，由他们录制视频来表演这个句子。

该数据集包含了 157 个动作类别的 66,500 个时间标注，46 个带有 41,104 个标签的对象类别，以及 27,847 个对视频的文字描述。在标准集中，有 7,986 个训练视频和 1,863 个验证视频。