L'ensemble de données RS5M contient 5 millions d'images de télédétection avec des descriptions en anglais. L'ensemble de données est obtenu en examinant des ensembles de données d'appariement image-texte accessibles au public et des ensembles de données RS étiquetés à l'aide de VLM pré-entraînés. Il s’agit du premier ensemble de données d’appariement d’images et de textes RS à grande échelle.