5CD-AI/Viet-OCR-VQA-flash2

Dataset Overview

The dataset comprises over 137,000 images potentially containing Vietnamese 🇻🇳 textual content. It was curated using the Gemini 1.5 Flash model, currently Google model leading on the WildVision Arena Leaderboard for Visual Question Answering (VQA). Each image is accompanied by a detailed description and 5 self-generated questions and answers related to the textual content within the image.

In total, there are more than 822,679 individual questions, encompassing both descriptive prompts and query-based inquiries.

Please give us a like ❤️ if you find it useful !

Dataset Creation

The dataset was collected from Google Image searches across more than 1,700 keywords, including a variety of categories such as legal documents, educational materials, signage, advertisements, and more. Additionally, it includes over 17,000 images specifically focused on 6,000 books and book covers.

[
    "📚 đề thi cuối kỳ", "🏢 biển hiệu", "📅 hội thảo", "📢 thông báo", "📜 giấy xác nhận",
    "💰 bảng chi phí", "📄 tờ rơi", "🎓 luận văn", "💸 phiếu giảm giá", "💵 giấy nộp tiền",
    "📣 biểu ngữ", "🧾 hóa đơn", "🎟️ vé cửa hàng điện tử", "🎫 vé số", "📜 giấy vay nợ"
    "🍽️ thực đơn", "📜 hợp đồng", "🏪 biển hiệu cửa hàng", "🎌 băng rôn chiến dịch",  
    "📸 hình ảnh thương hiệu", "📜 giấy phép", "🏛️ hội nghị", "🎭 sân khấu",
    "🛂 hộ chiếu", "🏅 giấy khen", "📚 nhà sách", "📺 quảng cáo truyền thông", 
    "📊 thống kê", "📈 số liệu", "📉 chỉ số", "📈 đồ thị", "📊 biểu đồ", "📋 phân tích", 
    "📜 thông tư", "📃 nghị định", "📝 kế hoạch", "📊 báo cáo", "🔬 nghiên cứu", 
    "🔄 quy trình", "🏫 đào tạo", "📘 hướng dẫn", "📕 cẩm nang", "🗺️ bản đồ", "🧾 hóa đơn",
    "🏆 bằng khen", "📜 giấy báo", "💻 thông tin học", 💼 danh thiếp", "📥 phiếu nhập",
    "📜 chứng chỉ", "📑 bản thảo", "📜 lịch sử", "📊 kết quả học tập", "📅 thời khóa biểu",
    "💡 hóa đơn điện nước", "📝 đơn xin nghỉ", "🗂️ thông tin cá nhân", "🏡 sổ đỏ",
    "📚 thư viện", "🎟️ hóa đơn ca nhạc", "📄 biên lai", "🍽️ hóa đơn ăn uống", "🗂️ sơ đồ",
    "📜 giấy báo nhập học", "📕 sổ y bạ", "🧾 phiếu thu", "📄 tài liệu hội nghị",
    "📩 thư mời", "🏨 hóa đơn khách sạn", "📜 giấy phép kinh doanh", "📜 giấy chứng nhận",
    "💡 hóa đơn tiền điện", "💧 hóa đơn tiền nước", "📦 phiếu xuất kho", "🛡️ giấy bảo hành",
    "💵 bảng lương", "📝 phiếu đăng ký", "🏥 hóa đơn viện phí", "🛒 hóa đơn mua hàng", 
    "📜 giấy nợ", "🚚 hóa đơn vận chuyển", "📄 phiếu chi", "🩺 giấy khám sức khỏe", 
    "📦 phiếu đặt hàng", "🏡 giấy tạm trú", "🍽️ hóa đơn nhà hàng", "📦 phiếu nhận hàng", 
    "📜 thơ văn", "✍️ viết chữ đẹp", "📓 nhật ký", "🖋️ lưu bút viết tay", "🏷️ tem nhãn",
]

Cite

@misc{doan2024vintern1befficientmultimodallarge,
      title={Vintern-1B: An Efficient Multimodal Large Language Model for Vietnamese}, 
      author={Khang T. Doan and Bao G. Huynh and Dung T. Hoang and Thuc D. Pham and Nhat H. Pham and Quan T. M. Nguyen and Bang Q. Vo and Suong N. Hoang},
      year={2024},
      eprint={2408.12480},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2408.12480}, 
}