Microsoft COCO Captions データセットは、Microsoft Common Objects in COntext (COCO) データセット内の画像に対して人間が生成した画像キャプションを提供します。このデータセットは、330,000 を超える画像に対して 150 万を超える説明を提供します。

トレーニング セットと検証セットの各画像に対して、5 つの説明が手動で注釈付けされます。