Visual Genome データセットは、108,077 枚の画像、540 万個の領域記述、170 万個の視覚的な質問と回答データ、380 万個のターゲット インスタンス、280 万個の属性、および 230 万個の関係情報を含むマシン ビジョン データセットです。このデータセットはスタンフォード大学、ヤフー、トヨタなどが共同で完成させたもので、画像情報と言語を密接に結び付けることに尽力している。