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 2026-10-28 · 当前星标 ★ 109
核心亮点
- 聚焦索马里语这一低资源语言，填补公开语料空白
- 提供可直接用于 LLM 训练与评测的结构化文本数据
- 用 Rust 组织数据处理流程，便于复现和二次加工
不足之处
- 项目早期，语料规模与覆盖领域尚未充分披露
- 文档与社区活跃度有待观察，长期维护不确定
适用场景
- 索马里语语言模型预训练或继续预训练的数据准备
- 低资源语言 NLP 学术研究与基准评测
- 机器翻译、分词、文本分类等任务的语料补充
替代项目
Masakhane、OSCAR、CC-100
下一篇：没有了！
同类项目推荐
aisheets
开源
像用表格一样批量调 AI，不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
datumaro
开源
一个工具搞定 CV 数据集格式转换与质量检查
Dataset Management Framework, a Python library and a CLI tool to build, analyze and ···
labelme
开源
手动图像标注，快速生成训练数据集
Image annotation with Python. Supports polygon, rectangle, circle, line, point, and ···
SDGym
开源
一键跑分，对比各种合成数据生成算法
Benchmarking synthetic data generation methods.
compliance-checker
开源
一键扫描数据集，快速发现合规风险
Python tool to check your datasets against compliance standards
paper-list
开源
自动追踪最新论文，省去手动搜索时间
autoupdate paper list
Awesome-Electrical-Grid-Mapping
开源
一站找齐全球电网地图与数据集，省去到处搜的麻烦
A curated dataset of global electrical grid maps, datasets and resources.
iam-dataset
开源
一份数据打通 AWS/Azure/GCP 的 IAM 权限，省去手工爬取
A consolidated series of structured data for cloud identity and access management sy···
image-ranker
开源
在浏览器里点一点，用 TrueSkill 给图片排序
Rank images using TrueSkill by comparing them against each other in the browser.