datasets 第 1 页
本站收录 63 个带「datasets」标签的 AI 开源项目(按 GitHub 星标从高到低,第 1 / 2 页)
awesome-public-datasetsawesome-public-datasets 是一个以主题分类整理的公开数据集清单,核心价值在于把散落在政府门户、科研机构和开源社区的高质量开放数据集中到一处★ 80,128
label-studio支持多类型数据标注的开源工具,覆盖图像、文本、音频、视频等多种数据格式,输出格式标准化,方便直接对接模型训练流程。提供灵活的标注界面、协作审核机制与丰富的集成能★ 28,694
datasetsdatasets 是 Hugging Face 推出的开源数据集库,旨在成为 AI 模型就绪数据集的中心枢纽。它解决了机器学习从业者在数据获取、处理和加载过程中★ 22,140
phoenixPhoenix 是一个面向 AI 应用的可观测性与评估平台,由 Arize AI 开发。它解决了 LLM 应用在生产环境中难以调试、评估和优化的问题,为开发者提★ 12,299
datasetteDatasette 是一个基于 Python 和 SQLite 的开源数据探索与发布工具,由 Simon Willison 开发。它能把 CSV、JSON、SQ★ 11,571
techniques这是一个专注于卫星与航空影像深度学习技术的开源项目,汇集了针对地球观测数据的卷积神经网络、数据集构建、图像分类等核心方法。它解决了遥感领域缺乏系统化深度学习实践★ 10,302
langwatchLangWatch是一个面向LLM评估与AI智能体测试的开源平台,旨在解决大模型应用开发中评估难、调试烦、监控弱的问题。它提供从数据采集、数据集管理、评估实验到★ 5,033
datasetsTFDS(TensorFlow Datasets)是一个开源的机器学习数据集库,旨在为 TensorFlow、JAX 等框架提供即用型数据集。它解决了研究人员和★ 4,611
torchgeoTorchGeo 是微软开源的面向地理空间数据的 PyTorch 扩展库,为遥感、卫星影像和地球观测任务提供标准化的数据集、采样器、数据增强变换与预训练模型。它★ 4,245
FlashRAGFlashRAG 是一个面向高效检索增强生成(RAG)研究的 Python 工具包,由 WWW2025 资源论文支持。它旨在解决 RAG 研究和应用中存在的复现★ 3,606
Awesome-Code-LLMAwesome-Code-LLM 是一个精选的资源列表,收录了针对代码的语言模型研究论文、数据集和相关软件工程活动。它系统梳理了代码大模型领域的核心工作,包括模★ 3,457
awesome-public-real-time-datasets这是一个由 bytewax.io 团队维护的公开实时数据集清单,以 awesome-list 形式汇集各类可公开获取的实时数据源。项目要解决的问题是:做流处理、★ 2,988
loghubLoghub 是一个面向 AI 日志分析研究的大型系统日志数据集集合,由香港中文大学等团队维护,论文发表于 ISSRE'23。它解决的核心问题是:日志分析领域长★ 2,915
colourColour 是一个专注于色彩科学的 Python 库,为研究人员、开发者和艺术家提供全面的颜色处理、转换和分析工具。它解决了色彩空间中颜色表示不一致、转换复杂★ 2,694
Open3D-MLOpen3D-ML 是 Open3D 的扩展库,专注于 3D 机器学习任务,如点云语义分割、物体检测和实例分割。它提供统一的数据集加载接口(支持 Semanti★ 2,363
LLM4Rec-Awesome-PapersLLM4Rec-Awesome-Papers 是一个收录大语言模型(LLM)在推荐系统中应用的高质量论文与资源的精选列表。它系统性地整理了从2020年至今的相关★ 2,331
DB-GPT-HubDB-GPT-Hub 是围绕 Text-to-SQL 任务打造的开源模型、数据集与微调技术仓库,旨在提升数据库自然语言查询的准确率。它解决了从模型选型、数据准备★ 2,016
awesome-yolo-object-detectionawesome-yolo-object-detection 是一个精选 YOLO 目标检测系列开源项目和数据集的资源合集。它系统整理了 YOLO 从 v1 到 ★ 1,804
MinariMinari 是面向离线强化学习(Offline RL)的数据集标准与工具库。它定义了统一的离线 RL 数据集格式,把不同来源、不同环境产生的轨迹数据(状态、动★ 1,768
safe-rlhfSafe RLHF 是一个基于安全强化学习的人类反馈对齐框架,旨在解决大模型价值对齐中的安全问题。传统 RLHF 通过人类反馈优化模型行为,但可能忽略安全约束,★ 1,624
kitopskitops 是一个来自 CNCF 的 DevOps 工具,用于将 AI/ML 模型、数据集、代码和配置打包并版本化为 OCI Artifact。它解决了 AI★ 1,445
langtraceLangtrace 是一个基于 OpenTelemetry 的开源端到端可观测性工具,专为 LLM 应用设计。它解决开发者在构建大模型应用时面临的调试难、评估难★ 1,235
datasets这是一个面向深度学习遥感应用的卫星与航空影像数据集汇总仓库,系统整理了地球观测领域常用的公开数据集资源。它解决的核心问题是:做遥感图像研究时,数据集分散在各国航★ 1,223
csghub-serverCSGHub Server 是 CSGHub 平台的后端服务,用 Go 语言编写,面向大模型与数据资产的统一管理。它解决的是团队在模型、数据集、推理、微调和应用★ 1,041
Prompt4ReasoningPapersPrompt4ReasoningPapers 是一个聚焦于语言模型提示(Prompting)推理能力的论文清单,源自 ACL 2023 综述《Reasoning★ 1,010
semhashsemhash 是一个面向多模态数据集的快速语义去重与过滤工具,用轻量级嵌入模型(model2vec)把文本和图片转成向量,再通过近似最近邻检索找出语义重复的样★ 978
ai-audio-datasets覆盖语音、音乐与音效的 AI 音频数据集合集,为生成式 AI、AIGC、模型训练与智能音频工具开发提供高质量训练数据,是构建音频 AI 应用、开展相关研究的实用★ 972
Awesome-CUAAwesome-CUA 是一个面向计算机使用智能体(Computer-Use Agents)的开源资源目录,以可溯源的方式收录该方向的论文、GUI 模型、数据集★ 937
medical-datasetsmedical-datasets 是一个面向医学影像与医学机器学习的数据集索引项目,主要解决研究者在做医学 AI 实验时找不到合适公开数据、不清楚各数据集规模与★ 932
dataset-viewerdataset-viewer 是 Hugging Face 官方开源的后端服务,为数据集页面上的在线预览功能提供公共 API。它解决的核心问题是:用户无需下载动★ 909
Repo2RLEnvRepo2RLEnv 是一个把任意代码仓库自动转换为可验证强化学习环境的工具,面向训练和评估编码智能体(coding agents)。它解决的核心问题是:现有编★ 787
awesome-instruction-datasets这是一个收录指令数据集的精选列表,旨在为训练类ChatGPT的对话大语言模型(如LLaMA、ChatLLM)提供高质量的训练数据资源。项目解决了研究人员和开发者★ 753
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★ 700
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★ 645
benchmark-radarbenchmark-radar 是一个面向 AI 评测领域的数据聚合工具,它从 37 个公开来源持续抓取并整理超过 11,923 条与 AI benchmark★ 401
awesome-synthetic-datasets这是一个精选合成文本数据集和生成工具的资源列表,旨在帮助AI开发者解决真实数据获取难、成本高、隐私风险大等问题。项目系统梳理了各类合成数据资源,包括通用指令数据★ 343
awesome-legal-dataawesome-legal-data 是一个面向法律文本处理的开源资源合集,主要收集法律领域的公开数据集、语料库及相关工具链接。它解决的核心问题是:法律 NLP★ 330
Awesome-Interactive-World-Model这是一个关于交互式世界模型的论文与资源精选列表,旨在系统梳理该领域的前沿研究。项目按核心研究挑战(如3D、扩散模型、流式视频、数据集等)对论文进行分类,帮助研究★ 327
vega-datasetsvega-datasets 是 Vega 生态的公共示例数据集仓库,为 Vega、Vega-Lite、Altair 等可视化工具提供统一、稳定的测试与演示数据源★ 312
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★ 301
HumanArtHumanArt 是 CVPR 2023 论文的官方实现,提供了一个连接自然与人工场景的多功能人类中心数据集。它解决了现有姿态估计和图像生成模型在非自然场景(如★ 295
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
data-is-better-togetherdata-is-better-together 是一个面向机器学习社区的开源协作项目,核心目标是让开发者、研究者和数据标注者一起构建更高质量的数据集。它通过社区★ 277
DeepLIIFDeepLIIF 是一个基于深度学习的多重免疫荧光图像分析工具,专注于免疫组化(IHC)图像的定量分析。它解决了病理学中传统人工定量分析主观性强、效率低、难以标★ 265
Awesome-Embodied-AIAwesome-Embodied-AI 是一个聚焦具身智能领域的精选资源清单,系统整理了该方向的研究综述、视觉-语言-动作(VLA)模型、数据集、仿真器、人形机★ 255
hub这是一个已停运的Ultralytics HUB仓库,曾是Ultralytics推出的模型训练与管理平台,旨在简化YOLO系列模型的训练、部署和监控流程。用户可通★ 252
wildlife-datasetsWildlifeDatasets 是一个面向动物个体重识别(animal re-identification)的开源工具包与数据集集合,主要服务于生态学、保护生★ 218
unitxtUnitxt 是一个面向企业级 AI 性能评估的 Python 库,提供全球最大的工具和数据目录,用于端到端的 AI 基准测试。它解决了 AI 评估流程中数据准★ 215
CompBioDatasetsForMachineLearning这是一个面向计算生物学与生物医学机器学习的数据集索引清单,把散落在论文、数据库和竞赛平台中的可用数据集整理成结构化列表,解决研究者找数据难、格式不统一、不知道哪★ 210
masaderMasader 是面向阿拉伯语自然语言处理与语音领域的公开数据集目录,收录超过 500 个数据集,每个数据集标注了 25 项以上属性,如任务类型、数据规模、许可★ 210