Who’s Waldo 包含了 270k 个图片-文本对，并自动标注了提到的人名和他们相应的视觉区域之间的对齐关系。

Who’s Waldo 数据集是由 Wikimedia Commons 中免费许可的图片和描述构建的。 Who’s Waldo 是一个基准数据集，用于以人为中心的视觉基础。