L'ensemble de données Visual Genome est un ensemble de données de vision artificielle qui contient 108 077 images, 5,4 millions de descriptions de régions, 1,7 million de données de questions-réponses visuelles, 3,8 millions d'instances cibles, 2,8 millions d'attributs et 2,3 millions d'informations relationnelles. Cet ensemble de données a été complété conjointement par l'Université de Stanford, Yahoo, Toyota, etc., et s'engage à relier étroitement les informations de l'image au langage.