Add dataset description

README.md

@@ -457,3 +457,150 @@ configs:
   - split: test
     path: data/test-*
 ---
+
+# VG150
+
+VG150 是从 [Visual Genome](https://visualgenome.org/) 派生的场景图生成
+（Scene Graph Generation, SGG）基准数据集，包含 150 个对象类别、50 个
+关系谓词类别和 200 个属性类别。图片直接嵌入 Parquet。
+
+该数据集适用于场景图生成、场景图检测、视觉关系检测和相关多模态研究。
+
+## 数据集规模
+
+| Split | 图片数量 | 用途 |
+| --- | ---: | --- |
+| `train` | 57,723 | 模型训练 |
+| `validation` | 5,000 | 验证与模型选择 |
+| `test` | 26,446 | 最终评估 |
+| **总计** | **89,169** | 仅包含同时具有对象和关系标注的图片 |
+
+所有 split 均包含完整的对象、属性和关系标注。
+
+## 加载
+
+```python
+from datasets import load_dataset
+
+dataset = load_dataset("wliafe/VG150")
+print(dataset)
+
+sample = dataset["train"][0]
+image = sample["image"]  # PIL.Image.Image
+image.show()
+```
+
+图片字节已经嵌入 Parquet，因此不需要额外下载或拼接 Visual Genome 图片目录。
+`image` 使用 Hugging Face `Image` feature，默认读取时会解码为 Pillow 图像。
+
+如需取得类别名称，可以读取 `ClassLabel` feature：
+
+```python
+features = dataset["train"].features
+
+object_names = features["labels"].feature.names
+predicate_names = features["relations"]["predicate"].feature.names
+attribute_names = features["attributes"].feature.feature.names
+
+sample = dataset["train"][0]
+object_labels = [object_names[index] for index in sample["labels"]]
+predicate_labels = [
+    predicate_names[index]
+    for index in sample["relations"]["predicate"]
+]
+attribute_labels = [
+    [attribute_names[index] for index in object_attributes]
+    for object_attributes in sample["attributes"]
+]
+```
+
+## 数据字段
+
+| 字段 | 类型 | 说明 |
+| --- | --- | --- |
+| `id` | `string` | Visual Genome 图片 ID |
+| `image` | `Image` | 嵌入 Parquet 并可直接解码的图片 |
+| `width` | `int32` | 实际 JPEG 宽度，单位为像素 |
+| `height` | `int32` | 实际 JPEG 高度，单位为像素 |
+| `boxes` | `List[[float32; 4]]` | 与对象平行的 `[x1, y1, x2, y2]` 边界框 |
+| `labels` | `List[ClassLabel]` | 与 `boxes` 平行的对象类别 |
+| `attributes` | `List[List[ClassLabel]]` | 每个对象对应的零个或多个属性 |
+| `relations.subject_index` | `List[int64]` | 每条关系的主语对象索引 |
+| `relations.object_index` | `List[int64]` | 每条关系的宾语对象索引 |
+| `relations.predicate` | `List[ClassLabel]` | 每条关系的谓词类别 |
+
+`boxes`、`labels` 和 `attributes` 的外层长度相同。三个关系数组也具有相同
+长度；相同位置的主语索引、宾语索引和谓词共同构成一条有向关系：
+
+```python
+sample = dataset["train"][0]
+
+for subject, object_, predicate in zip(
+    sample["relations"]["subject_index"],
+    sample["relations"]["object_index"],
+    sample["relations"]["predicate"],
+):
+    print(
+        object_names[sample["labels"][subject]],
+        predicate_names[predicate],
+        object_names[sample["labels"][object_]],
+    )
+```
+
+## 类别编号
+
+对象、谓词和属性 taxonomy 均在索引 `0` 保留 `__background__`：
+
+- 对象前景类别编号为 `1`–`150`。
+- 谓词前景类别编号为 `1`–`50`。
+- 属性前景类别编号为 `1`–`200`。
+
+没有属性的对象对应空列表，而不是包含 `__background__` 的列表。
+
+## 边界框与图片尺寸
+
+`boxes` 使用实际图片像素坐标下的 `[x1, y1, x2, y2]` 格式，坐标位于图片
+边界内。`width` 和 `height` 与 `image` 的实际尺寸一致。关系端点使用当前样本
+对象数组中的零基索引。
+
+本仓库提供可直接加载的 Parquet 数据，不包含原始 H5 或 JSON 文件。对象、关系和
+属性标注可能继承 Visual Genome 中的类别偏差、长尾分布、歧义和错误。
+
+## 使用限制
+
+- VG150 只保留高频类别，不能代表 Visual Genome 的完整开放词汇分布。
+- 关系类别分布高度不均衡，模型结果可能被少数高频谓词主导。
+- `boxes` 是对象边界框，不是实例分割轮廓。
+- 本仓库不重新授予原始图片版权。使用者应同时遵守 Visual Genome 的使用条款，
+  并确认原始图片适用于自己的研究或发布场景。
+- 比较论文结果时，应确认对方使用相同的 VG150 taxonomy、过滤规则和 split。
+
+## 引用
+
+使用本数据集时，请引用 Visual Genome：
+
+```bibtex
+@article{krishna2017visual,
+  title={Visual Genome: Connecting Language and Vision Using Crowdsourced Dense Image Annotations},
+  author={Krishna, Ranjay and Zhu, Yuke and Groth, Oliver and Johnson, Justin and
+          Hata, Kenji and Kravitz, Joshua and Chen, Stephanie and
+          Kalantidis, Yannis and Li, Li-Jia and Shamma, David A. and
+          Bernstein, Michael S. and Fei-Fei, Li},
+  journal={International Journal of Computer Vision},
+  volume={123},
+  number={1},
+  pages={32--73},
+  year={2017}
+}
+```
+
+标准 VG150 场景图划分也常用于 Neural Motifs：
+
+```bibtex
+@inproceedings{zellers2018neural,
+  title={Neural Motifs: Scene Graph Parsing with Global Context},
+  author={Zellers, Rowan and Yatskar, Mark and Thomson, Sam and Choi, Yejin},
+  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
+  year={2018}
+}
+```