---
dataset_info:
  viewer: false
---

# 📌 ViTextVQA — Vietnamese Text-based Visual Question Answering Dataset

---

## 🇻🇳 Giới thiệu (Tiếng Việt)

**ViTextVQA** là một dataset **Visual Question Answering (VQA)** dành cho tiếng Việt, tập trung vào khả năng đọc hiểu **chữ xuất hiện trong ảnh** (scene text), dựa trên bài báo *ViTextVQA: A Large-Scale Visual Question Answering Dataset for Evaluating Vietnamese Text Comprehension in Images* (ArXiv 2404.10652).  
Bản release trên Hugging Face này **đã được chỉnh sửa cấu trúc và bổ sung các file phục vụ việc huấn luyện mô hình**.

---

## 🇺🇸 Introduction (English)

**ViTextVQA** is a *Visual Question Answering (VQA)* dataset for Vietnamese, focusing on **scene text comprehension** in images, as described in the paper *ViTextVQA: A Large-Scale Visual Question Answering Dataset for Evaluating Vietnamese Text Comprehension in Images* (ArXiv 2404.10652).  
This Hugging Face release contains reorganized annotation format and additional supporting files for model training.

---

## 📁 Dataset Structure

```

ViTextVQA/
├── images.zip
├── train.json
├── dev.json
├── test.json
├── vitextvqa_coco.json
├── vitextvqa_captions.json
├── docr_features_of_vitext.npy
└── README.md

````

| File | Mô tả / Description |
|------|----------------------|
| `images.zip` | Ảnh dataset (đã nén) / All dataset images (zipped) |
| `train.json` | COCO-like annotation cho split train |
| `dev.json` | COCO-like annotation cho split validation |
| `test.json` | COCO-like annotation cho split test |
| `vitextvqa_coco.json` | (Optional) Original COCO-like annotations |
| `vitextvqa_captions.json` | Caption/annotation bổ sung |
| `docr_features_of_vitext.npy` | OCR / document features precomputed |
| `README.md` | File mô tả này |

---

## 🧠 Annotation Format (COCO-like)

Cấu trúc annotation ban đầu theo dạng COCO-like:

```json
{
  "images": [
    { "id": 9836, "filename": "9836.jpg" },
    { "id": 14257, "filename": "14257.jpg" }
  ],
  "annotations": [
    {
      "id": 74,
      "image_id": 22,
      "question": "cửa tiệm màu xanh là gì ?",
      "answers": ["nhà thuốc"]
    },
    ...
  ]
}
````

Để training VQA hoặc dùng chung với frameworks như Hugging Face, bạn có thể convert mỗi annotation thành 1 sample:

```json
{
  "image": "images/9836.jpg",
  "question": "cửa tiệm màu xanh là gì ?",
  "answers": ["nhà thuốc"],
  "question_id": 74
}
```

---

## 📊 Dataset Statistics / Thống kê

| Split | Images | QA pairs (annotations) |
| ----- | ------ | ---------------------- |
| train | 11,733 | 35,159                 |
| dev   | 1,676  | 5,155                  |
| test  | 3,353  | 10,028                 |

> Các con số được tính bằng script thống kê annotation COCO-like.

---

## 🛠️ Usage / Hướng dẫn sử dụng

### 📦 Giải nén ảnh (unzip images)

```bash
unzip images.zip -d images/
```

### 📖 Load JSON với Python

```python
import json

with open("train.json", "r", encoding="utf-8") as f:
    data = json.load(f)

print(data[0])
```

### 📚 Dùng dataset với Hugging Face `datasets`

```python
from datasets import load_dataset

dataset = load_dataset("json", data_files="train.json")
print(dataset["train"][0])
```

---

## 📜 Citation / Trích dẫn

Nếu bạn sử dụng dataset này trong nghiên cứu, vui lòng trích dẫn:

```bibtex
@article{ViTextVQA2024,
  title={ViTextVQA: A Large-Scale Visual Question Answering Dataset for Evaluating Vietnamese Text Comprehension in Images},
  author={Quan Van Nguyen and Dan Quang Tran and Huy Quang Pham and Thang Kien-Bao Nguyen and Nghia Hieu Nguyen and Kiet Van Nguyen and Ngan Luu-Thuy Nguyen},
  journal={arXiv preprint arXiv:2404.10652},
  year={2024},
  url={https://arxiv.org/abs/2404.10652}
}
```

---

## 📬 Contact / Liên hệ

Dataset gốc được công bố bởi nhóm tác giả nghiên cứu tại **University of Information Technology, Vietnam National University, Ho Chi Minh City**.