dataset 第 2 页
本站收录 141 个带「dataset」标签的 AI 开源项目（按 GitHub 星标从高到低，第 2 / 3 页）
dataset-serializedataset-serialize 是一个面向 Delphi 和 Lazarus (FPC) 开发者的数据集序列化工具，主要解决 DataSet 与 JSON ★ 746
Thorsten-VoiceThorsten-Voice 是一个免费、离线可用的高质量德语文本转语音（TTS）语音项目。它旨在解决开发者在使用商业 TTS 服务时面临的许可限制和成本问题，★ 739
MovieChatMovieChat 是一个面向长视频理解的开源模型，由 CVPR 2024 论文提出。它解决了现有视频理解模型难以处理超长视频（如电影）的问题，核心创新在于将视★ 706
long-form-factuality这是一个用于评估大语言模型长文本事实性（long-form factuality）的基准测试工具，来自论文《Long-form factuality in la★ 697
University1652-BaselineUniversity1652-Baseline 是 ACM Multimedia 2020 论文《University-1652: A Multi-view M★ 695
datumarodatumaro 是一个面向计算机视觉的数据集管理框架，提供 Python 库和命令行工具，用于构建、分析和维护 CV 数据集。它解决的核心问题是深度学习项目中★ 694
SkillCorpusSkillCorpus 是一个开源基础设施，旨在将分散的 SKILL.md 文件转化为经过整理、可直接用于检索的智能体技能语料库。它解决了 AI 智能体在技能管★ 686
dataladDataLad 是一个基于 Git 和 git-annex 的数据管理工具，旨在帮助科研人员、数据科学家和团队对代码、数据、容器等各类数字资产进行版本控制、分发★ 668
Awesome-LLM-EvalAwesome-LLM-Eval 是一个精选资源列表，专注于大语言模型（LLM）的评测领域。它系统性地整理了评测工具、数据集/基准、演示、排行榜、论文、文档和模★ 659
Ego4dEgo4d 是一个大规模第一人称视角视频数据集及其配套工具仓库，由 Meta AI 联合多所高校发布。它解决了 AI 模型在理解日常活动、社交交互和手物交互时缺★ 656
Exclusively-Dark-Image-DatasetExclusively Dark Image Dataset（ExDARK）是一个面向低光照视觉研究的图像数据集，由12,000张从极暗环境到黄昏（覆盖10种光★ 653
awesome-segmentation-saliency-dataset这是一个整理图像分割与显著性检测数据集的精选列表，旨在为相关领域的研究者和开发者提供一站式的数据集索引。项目收集了包括语义分割、实例分割、全景分割以及显著性目标★ 647
TrustLLMTrustLLM 是一个针对大语言模型可信度的系统性研究项目，源自 ICML 2024 论文。它定义了一个包含真实性、安全性、公平性、鲁棒性、隐私性、机器伦理与★ 632
cryptoCMDcryptoCMD 是一个 Python 库，用于获取和整理加密货币的历史价格数据，数据源为 CoinMarketCap。它解决了加密货币历史行情数据获取难、格★ 611
awesome-industrial-datasetsawesome-industrial-datasets 是一个面向工业场景的公开数据集索引项目，主要解决工业 AI 研究中数据难找、来源分散、格式不统一的问题。★ 608
EnterpriseRAG-BenchEnterpriseRAG-Bench 是一个专为企业内部文档场景设计的 RAG（检索增强生成）评测基准与数据集。它解决的核心问题是：通用 RAG 评测集（如自★ 600
SocialEDSocialED 是一个面向社交事件检测（Social Event Detection）的 Python 库，主要解决从社交媒体文本流中自动识别和聚类真实世界事★ 592
chess-openingschess-openings 是一个聚合国际象棋开局名称的数据集，把 Lichess 等来源的开局命名整理成统一格式，解决不同棋谱平台开局名称不一致、难以对齐的★ 571
awesome-time-series-segmentation-papers这是一个聚焦时间序列分割（Time Series Segmentation）方向的论文阅读清单仓库，系统整理了该领域的重要学术文献。时间序列分割旨在把连续的时间★ 542
GTSingerGTSinger 是一个面向歌唱语音合成研究的全球多技术歌唱语料库，由 NeurIPS 2024 Spotlight 论文提出。它解决了现有歌唱数据集在技术覆盖★ 533
DG-PHMDG-PHM 是一个聚焦于工业设备故障诊断与剩余寿命预测的开源资源库，核心主题是“领域泛化”（Domain Generalization）。在真实工业场景中，设★ 474
Seq2seqChatbotsSeq2seqChatbots 是一个基于 Tensor2Tensor 库的封装工具，旨在简化神经对话机器人的训练、交互与数据生成流程。它解决了从头构建 seq★ 471
speech_datasetspeech_dataset 是一个面向语音识别（ASR）研究的中文语音数据集仓库，旨在为深度学习语音模型提供训练与评估所需的音频资源。项目整理了多种来源的语音★ 470
DFireDatasetDFireDataset 是一个面向火灾与烟雾检测的开源图像数据集，主要解决计算机视觉领域缺乏高质量火焰烟雾标注数据的问题。项目提供已标注的图像样本，覆盖不同光★ 470
Anime-Face-DatasetAnime-Face-Dataset 是一个专注于动漫人脸图像的高质量数据集项目，旨在为生成对抗网络（GAN）等图像生成模型提供干净、统一格式的训练数据。项目解★ 434
SuPreMSuPreM 是一个面向医学影像分析的3D预训练模型库，基于ICLR 2024 oral论文提出。它利用9,262个CT体数据和25个标注类别进行监督预训练，解★ 433
split-folderssplit-folders 是一个轻量级 Python 工具库，专门解决机器学习和深度学习项目中数据集划分的繁琐问题。它能把一个装满图片或其他文件的文件夹，按指★ 424
MineStudioMineStudio 是一个专为 Minecraft AI 智能体开发打造的简化工具包。它解决了在 Minecraft 开放世界中训练智能体时数据获取难、环境配★ 415
POP909-DatasetPOP909-Dataset 是一个面向流行音乐编曲生成研究的开源数据集，由上海交通大学缪斯实验室发布，对应论文《POP909: A Pop-song Data★ 414
mtg-jamendo-datasetMTG-Jamendo Dataset 是音乐信息检索领域的开源数据集及配套工具集，提供约 5.5 万首 Jamendo 授权音乐的音轨元数据、标签标注与预处理★ 412
palestine-datasetspalestine-datasets 是一个开源数据集与 API 项目，聚焦记录以色列在加沙及约旦河西岸军事行动造成的人员伤亡。项目以 TypeScript 编★ 407
malicious-software-packages-dataset这是一个开源数据集项目，专门收集在真实环境中发现的恶意软件包，覆盖 npm、PyPI 等主流包管理生态。它解决的核心问题是：软件供应链攻击日益猖獗，开发者与安全★ 389
Awesome_Multimodel_LLMAwesome_Multimodel_LLM 是一个精选资源列表，专注于多模态大语言模型（MLLM）领域。它系统整理了相关数据集、微调技术、上下文学习、视觉推理★ 379
dataset这是一个面向摩洛哥阿拉伯语（Darija）与英语互译的平行语料数据集项目。Darija 是摩洛哥日常口语，长期缺乏高质量书面语料，主流机器翻译模型对其支持很差。★ 377
AgMLAgML 是一个面向农业机器学习的集中式框架，旨在解决农业领域深度学习研究中数据分散、基准不统一、模型复用难的问题。它聚合了多个公开农业数据集，覆盖图像分类、目★ 349
T2I-CompBenchT2I-CompBench 是一个用于评估文本到图像生成模型组合能力的基准测试框架，由 NeurIPS 2023 和 TPAMI 论文提出。它解决了现有评估指标★ 348
datasets这是一个面向社会科学、应用微观经济学和数据可视化等领域的免费数据集索引项目，汇集了 100 多个可直接使用的公开数据集，并按主题分类整理。它解决的核心问题是研究★ 346
MuTualMuTual 是一个用于多轮对话推理的中文数据集，由清华大学和微软亚洲研究院联合发布。它旨在评估和提升对话系统在多轮交互中的理解与推理能力，尤其是对指代消解、省★ 334
kodcodekodcode 是一个合成数据集生成框架，专门用于创建多样化的编程题目和可验证的解决方案。它解决的是高质量代码生成模型训练数据稀缺的问题，通过自动化流程生成带测★ 322
stopesstopes 是由 Meta AI 的 FAIR NLLB 团队开发的数据集准备库，专为机器翻译研究设计。它解决的核心问题是多语言翻译数据处理的复杂性，提供从单★ 315
lora-dataset-studiolora-dataset-studio 是一个自托管的 LoRA 全生命周期工作台，旨在解决 LoRA 模型训练中数据集构建、清洗、标注和测试流程分散且繁琐的问★ 312
Awesome-Foundation-Models-for-Weather-and-Climate这是一个关于天气与气候基础模型的综合资源列表，收录了近年来基于深度学习的基础模型在气象和气候数据理解方面的研究进展。项目系统梳理了相关模型、数据集、基准测试和论★ 299
Tegridy-MIDI-DatasetTegridy-MIDI-Dataset 是一个用于音乐 AI 模型训练的高质量 MIDI 数据集项目。它解决了音乐生成、转录等任务中缺乏干净、结构化 MIDI★ 298
Mol-InstructionsMol-Instructions 是一个面向生物分子领域的大规模指令数据集，旨在增强大型语言模型（LLM）在生物分子理解与生成任务上的能力。它解决了通用LLM在★ 295
alisALIS（Aligning Latent and Image Spaces）是ICCV 2021的官方实现，旨在解决生成对抗网络（GAN）中潜在空间与图像空间不★ 266
GVINS-DatasetGVINS-Dataset 是一个面向多传感器融合定位与建图研究的数据集，提供严格时间同步的立体相机图像、IMU 惯性测量和 GNSS 原始观测数据。它主要解决★ 265
DailyTalkDailyTalk 是 ICASSP 2023 论文的官方实现，提供了一个面向对话场景的语音合成数据集和配套的非自回归 TTS 模型。它解决了传统 TTS 只能★ 262
Music-Dance-Video-SynthesisMusic-Dance-Video-Synthesis 是一个基于 PyTorch 的自监督舞蹈视频合成项目，发表于 ACM MM 2020 Oral。它解决的★ 249
Gossiping-Chinese-Corpus这是一个从台湾PTT八卦版抓取并整理的问答中文语料库，用于训练中文聊天机器人。项目将论坛中的帖子标题作为问题、回帖内容作为回答，构建了大规模的中文对话数据集，解★ 248
ABSADatasetsABSADatasets 是一个面向方面级情感分析（ABSA）和文本分类的公开数据集集合，由社区共同维护。它解决了研究者和工程师在训练情感分析模型时，需要四处搜★ 246