data-is-better-together
众人一起标注反馈，把零散数据变成高质量数据集
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-09-21 · 当前星标 ★ 276
技术标签
核心亮点
- 以 Jupyter Notebook 为协作入口，参与者可直接运行和修改数据处理代码，降低贡献门槛
- 强调 human-feedback 闭环，支持社区评审与修正，有助于提升数据标注质量
- 定位开放数据集共建，适合需要众包标注或透明数据治理的团队快速起步
不足之处
- 项目处于早期，社区规模较小，工具链和流程成熟度有待验证
- 文档与贡献指南可能不够完善，新用户上手需要一定探索成本
适用场景
- 研究团队众包标注领域数据，收集多人反馈后形成可复用数据集
- 开源社区发起数据清洗挑战，让贡献者提交 Notebook 改进数据质量
- 机器学习课程或训练营用作协作标注与数据评审的实践平台
替代项目
Label Studio、Argilla、Hugging Face Datasets
同类项目推荐
awesome-object-detection-dataset···
开源
找目标检测数据集，看这一个列表就够了
A collection of some awesome public object detection and recognition datasets.
sekai-codebase
开源
用真实世界视频数据，训练能理解世界动态的AI模型
[NeurIPS 2025] Sekai: A Video Dataset towards World Exploration
sdg_hub
开源
用流水线批量造 LLM 训练数据，省去手写脚本
Synthetic Data Generation Toolkit for LLMs
attack_data
开源
一站式获取多种攻击数据集，快速训练安全模型
A repository of curated datasets from various attacks
Chatito
开源
用简单DSL快速生成海量NLP训练数据，告别手工标注。
Dataset generation for AI chatbots, NLP tasks, named entity recognition or text clas···
VQASynth
开源
把图片视频自动变成带空间推理的VQA训练数据
Compose multimodal datasets
awesome-gee-community-datasets
开源
找 GEE 社区数据集，一个目录直接加载
Community Datasets added by users and made available for use at large
the_well
开源
15TB 多物理场仿真数据，开箱即用训练科学大模型
A 15TB Collection of Physics Simulation Datasets
mimesis
开源
生成逼真多语言假数据，测试开发快人一步
Mimesis is a Python library for generating fake but realistic data in multiple langu···