CV-Bench

CV-Bench es un punto de referencia multimodal diseñado para probar la comprensión visual 2D y 3D de los modelos, con anotaciones precisas de varios conjuntos de datos estándar (ADE20k, COCO, OMNI3D). Incluye preguntas en lenguaje natural para evaluar la percepción espacial y la comprensión profunda de las escenas.

Obtén el dataset

Tamaño

5.276 ejemplos con anotaciones de texto 2D/3D, imágenes asociadas, 810 MB, formato Parquet y JSONL

Licencia

Apache 2.0

Descripción

‍

Banco CV-Banch ofrece un conjunto de ejemplos anotados para evaluar modelos multimodales en tareas clásicas de visión 2D y 3D. Las anotaciones incluyen preguntas en lenguaje natural sobre las relaciones espaciales, el recuento de objetos, el orden de profundidad y la distancia relativa.

‍

¿Para qué sirve este conjunto de datos?

‍

Evalúe las capacidades 2D y 3D de los modelos multimodales
Pon a prueba la comprensión de las relaciones espaciales y la profundidad
Punto de referencia para la investigación sobre visión y multimodalidad

‍

¿Se puede enriquecer o mejorar?

‍

El conjunto de datos se puede enriquecer añadiendo nuevos ejemplos, anotaciones más detalladas o ampliándolo a otros tipos de preguntas. La adición de datos dinámicos o de vídeo también sería relevante.

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐⭐✩ (Dataset estructurado y listo para usar vía Hugging Face)
🧼 Necesidad de limpieza	⭐⭐⭐⭐⭐ (Bajo – anotaciones manuales de alta calidad)
🏷️ Riqueza de anotaciones	⭐⭐⭐⭐✩ (Bueno – preguntas 2D/3D en lenguaje natural)
📜 Licencia comercial	✅ Sí (Apache 2.0)
👨‍💻 Ideal para principiantes	⚠️ Medio – útil para familiarizarse con benchmarks multimodales
🔁 Reutilizable para fine-tuning	✅ Adecuado para evaluación, fine-tuning posible
🌍 Diversidad cultural	⚠️ Estándar, orientado a visión y comprensión espacial