awesome-chemistry-datasets
化学 ML 数据集一站查，选数据不再翻论文
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 ★ 429
使用教程
环境要求
- 无需环境
安装与启动步骤
-
1按数据用途分
它把原始数据源、整理集与基准分开列，先确定你要哪一类。
-
2看许可与可用性
清单里标了每条的获取条件，商用前逐条确认。
-
3挑带标准划分的
有训练测试划分的才能做可比实验。
-
4核对分子表示
SMILES、InChI、图结构三种表示不通用，先统一。
如何确认成功
你能选出一个许可允许商用、且带标准划分的化学数据集，并说明它的分子表示形式
注意事项
- 这是数据集清单，不是数据本身，也没有下载脚本。
- 化学数据的许可差异很大，部分只允许学术使用。
- 同一条目在不同论文里的预处理不同，跨论文比指标要谨慎。
- 清单更新频率有限，链接失效的先看有没有镜像。
核心亮点
- 按任务类型（分子性质、反应预测、量子化学等）分类清晰，便于按需检索
- 收录范围覆盖公开竞赛、论文附带数据和主流数据库，来源多样
- 以 awesome 清单形式维护，社区可通过 PR 持续补充新数据集
不足之处
- 仅提供链接和简介，缺少统一的数据格式说明与预处理示例
- 部分条目信息更新滞后，数据集许可和可用性需自行核实
适用场景
- 化学/药物研发方向的研究生快速调研可用的训练数据集
- ML 工程师为分子性质预测任务挑选基准数据
- 团队搭建化学 AI 项目时评估数据来源与覆盖范围
替代项目
awesome-materials-informatics、MoleculeNet、DeepChem
上一篇：GVINS-Dataset
同类项目推荐
gpic
开源
构建合规高质量图像语料，助力视觉生成模型训练
Official Code for GPIC: A Giant Permissive Image Corpus for Visual Generation
datalad
开源
用Git方式管理大型数据和代码，实现可复现科研
Keep code, data, containers under control with git and git-annex
AutoMathText
开源
自动筛选高质量数学语料，提升大模型数学能力
[ACL 2025 Findings] Autonomous Data Selection with Zero-shot Generative Classifiers ···
pii-masker
开源
一行代码自动识别并打码敏感信息，保护数据隐私
PII Masker is an open-source tool for protecting sensitive data by automatically det···
data-is-better-together
开源
众人一起标注反馈，把零散数据变成高质量数据集
Let's build better datasets, together!
plinder
开源
统一蛋白质-配体数据与评测，让模型对比更公平
Protein Ligand INteraction Dataset and Evaluation Resource
CVPR2024-Papers-with-Code-Demo
开源
看CVPR 2024论文，一键直达代码和Demo，跟上前沿不费力。
收集 CVPR 最新的成果，包括论文、代码和demo视频等，欢迎大家推荐！Collect the latest C···
WhatsMyName
开源
一个数据集，查遍全网用户名，OSINT 必备。
Community-maintained dataset of 700+ websites for finding accounts by username — po···
OpenS2V-Nexus
开源
给视频生成模型做主体一致性大考，百万数据+标准评分
[NeurIPS 2025 D&B] OpenS2V-Nexus: A Detailed Benchmark and Million-Scale Dataset for···