Seturi de date deschise gata de utilizare pentru AI/ML

Descoperiți seturi de date open source care vă fac să pregătiți modele ML

Seturi de date open source pentru modelele dvs. de inteligență artificială/aprindere automată

Găsirea setului de date potrivit pentru modelul tău de inteligență artificială nu ar trebui să dureze săptămâni. Biblioteca de seturi de date deschise oferă echipelor de învățare automată acces instantaneu la peste 100 de seturi de date selectate, validate de oameni, care acoperă NLP, Viziune Artificială, Vorbire și Inteligență Artificială Generativă — toate gratuite pentru explorare.

Deci, dacă doriți să începeți o nouă inițiativă AI/ML și acum vă dați seama rapid că găsirea de date de instruire de înaltă calitate va fi unul dintre cele mai provocatoare aspecte ale proiectului dvs., deoarece seturile de date de înaltă calitate sunt combustibilul care menține AI/ML. Motorul ML pornește. Am acumulat o listă de seturi de date deschise care pot fi utilizate și antrenate gratuit pentru modelele tale AI/ML ale viitorului.

Specializare Set de date privind procesarea limbajului natural (NLP) Set de date privind viziunea computerizată (CV)

Tipul de date Audio Imagine Text Video

Specializare	Tipul de date	Numele setului de date	Industrie / Dept.	Adnotare/caz de utilizare	Link
+PNL	Text	Recenzii Amazon	E-commerce	Analiza sentimentelor	Link
Descriere	Un set de 35 de milioane de recenzii și evaluări din ultimii 18 ani în text simplu, cu detalii despre utilizator și despre produs.
+PNL	Text	Wikipedia leagă date	General		Link
Descriere	Peste 4 milioane de articole care conțin 1.9 miliarde de cuvinte de pe Wikipedia. Fiecare articol conține hyperlinkuri către entitatea asociată.
+PNL	Text	Standford Sentiment Treebank	Divertisment	Analiza sentimentelor	Link
Descriere	Set de date cu adnotări de sentimente pentru peste 10,000 de propoziții din recenziile de filme Rotten Tomatoes. Disponibil la nivel de frază - fiecare propoziție este analizată în subfraze prin binarizarea arborilor de analiză în formatul Penn Treebank.
+PNL	Text	Twitter US Airline Sentiment	linie aeriană	Analiza sentimentelor	Link
Descriere	Tweet-urile din 2015 despre US Airlines s-au bifurcat în sentimente pozitive, neutre și negative.
+CV	Imagine	Imagenet	General		Link
Descriere	Set de date cu peste 14 milioane de imagini în diverse formate de fișiere, mapate la aproximativ 21,000 de synseturi. Synseturile sunt sinonime cu entități asociate prezente ca o imagine. 1 milion de imagini au casete de încadrare, iar peste 1 milion de imagini au caracteristici SIFT.
+CV	Imagine	Imagini deschise de la Google	General		Link
Descriere	Un set de date similar cu ImageNet cu 600 de categorii. Disponibil în diviziuni de dezvoltare, validare și antrenament. Unele imagini includ și casete de încadrare și relații vizuale.
+PNL	Text	Dialoguri de film Cornell	Divertisment	Dialoguri	Link
Descriere	O colecție de conversații fictive, cu metadate ale personajelor și filmelor. Fiecare rând este un dialog între două persoane, într-un format de întrebare-răspuns.
Descriere	Un set de date cu întrebări și răspunsuri de pe portalul Yahoo Answers între aprilie 2007 și octombrie 2007.
+PNL	Text	Dna MARCO	General	Răspuns la întrebare	Link
Descriere	Un set de date întrebări-răspunsuri cu adnotări din jurnalele de căutare web ale Bing. Fiecare întrebare conține un răspuns furnizat de un utilizator, precum și pasaje web care conțin răspunsul.
+PNL	Text	Set de date cu întrebări naturale	General	Răspuns la întrebare	Link
Descriere	Lansat de Google, acest set de date conține interogări și răspunsuri reale ale utilizatorilor din articole Wikipedia.
+PNL	Text	DBPedia	General	Graficul de cunoștințe	Link
Descriere	O redare structurată a Wikipedia, cu entități și relații extrase ca un grafic de cunoștințe.
+PNL	Text	YAGO	General	Graficul de cunoștințe	Link
Descriere	Un graf de cunoștințe care conține entități și relații de pe Wikipedia, WordNet și GeoNames.
+PNL	Text	FreeBase	General	Graficul de cunoștințe	Link
Descriere	O bază de cunoștințe generată prin crowdsourcing, formată din entități și relații, acum încorporată în graficul de cunoștințe Google.
+PNL	Text	Ontonotes	General	Etichetarea semantică a rolurilor	Link
Descriere	Un corpus cu adnotări sintactice, semantice și la nivel de discurs utilizate în sarcinile partajate CoNLL.
Descriere	Un set de date în limba engleză adnotat pentru entități denumite, cum ar fi persoană, organizație și locație.
+CV	Imagine	NUCĂ DE COCOS	General	Detectarea obiectelor	Link
Descriere	Obiecte comune în context: un set de date bogat adnotat pentru detectarea, segmentarea și subtitrarea obiectelor.
+CV	Imagine	PASCAL VOC	General	Detectarea obiectelor	Link
Descriere	Un set de date de referință pentru provocările legate de detectarea și segmentarea obiectelor.
+CV	Imagine	Peisaje urbane	Conducere autonomă	Segmentarea semantică	Link
Descriere	Set de date pentru înțelegerea scenei urbane cu adnotări la nivel de pixel pentru 30 de clase.
+CV	Imagine	MNIST	General	Clasificarea cifrelor	Link
Descriere	Set de date cu cifre scrise de mână, cu 60,000 de imagini de antrenament și 10,000 de imagini de test de 28x28 pixeli.
+CV	Imagine	Moda-MNIST	Comerț	Clasificarea imaginilor	Link
Descriere	Set de date cu imagini din articolele Zalando în același format ca MNIST, folosit ca înlocuitor drop-in pentru benchmarking.
+PNL	Audio	LibriSpeech	General	ASR	Link
Descriere	Un corpus de vorbire citită în limba engleză, derivat din cărți audio, cu 1000 de ore de vorbire și texte asociate.
+PNL	Audio	TED-LIUM	General	ASR	Link
Descriere	Transcrieri TED cu audio și transcrieri aliniate pentru cercetarea recunoașterii vorbirii.
+PNL	Audio	TIMIT	General	Recunoașterea fonemelor	Link
Descriere	Vorbire transcrisă fonetic a vorbitorilor de engleză americană, utilizată pe scară largă pentru sarcini de recunoaștere a fonemelor.
+PNL	Audio	Vocea obișnuită	General	ASR	Link
Descriere	Un corpus multilingv de vorbire citită, contribuit de voluntari din întreaga lume.
+PNL	Audio	VoxCeleb	General	Recunoașterea vorbitorilor	Link
Descriere	Un set de date de identificare a vorbitorilor la scară largă, colectat din videoclipuri YouTube.
+PNL	Text	Dump-ul Wikipedia	General	Modelarea limbajului	Link
Descriere	Dump-uri integrale ale articolelor Wikipedia, actualizate periodic, utilizate pentru pre-antrenarea modelelor lingvistice.
+PNL	Text	Gigaword	Ştiri	Modelarea limbajului	Link
Descriere	O arhivă cuprinzătoare de date text de la mai multe agenții de știri.
+PNL	Text	Recenzii IMDB	Divertisment	Analiza sentimentelor	Link
Descriere	Set mare de date cu recenzii de filme pentru clasificarea binară a sentimentelor.
+CV	Video	Cinetica-700	General	Recunoașterea acțiunii	Link
Descriere	Un set de date de înaltă calitate și la scară largă, cu videoclipuri YouTube care acoperă 700 de clase de acțiuni umane.
+CV	Video	UCF101	General	Recunoașterea acțiunii	Link
Descriere	Un set de date cu videoclipuri de acțiune realiste, cu 101 categorii de acțiune.
+CV	Video	HMDB51	General	Recunoașterea acțiunii	Link
Descriere	O bază de date extinsă de videoclipuri cu mișcare umană, cu 51 de categorii de acțiune.
Descriere	O bază de date cu fotografii faciale concepută pentru studierea recunoașterii faciale fără restricții.
+CV	Imagine	CASIA-WebFace	General	Face Recognition	Link
Descriere	Un set de date cu milioane de imagini faciale pentru antrenarea modelelor de recunoaștere facială profundă.
+PNL	Text	Echipă	General	Citirea înțelegerii	Link
Descriere	Set de date Stanford Question Answering: întrebări puse de crowdworkeri pe un set de articole Wikipedia.
Descriere	Un set de date de înțelegere automată cu întrebări și răspunsuri bazate pe articole de știri CNN.
+PNL	Text	MultiNLI	General	Inferența limbajului natural	Link
Descriere	Un set de date pentru inferența limbajului natural bazată pe perechi de propoziții în mai multe genuri.
+PNL	Text	SNLI	General	Inferența limbajului natural	Link
Descriere	Corpus de inferență a limbajului natural Stanford cu perechi de propoziții etichetate ca implicări, contradicții sau neutre.
Descriere	O colecție de peste 100 de milioane de token-uri extrase din setul de articole verificate, de categoria Bună și Recomandate, de pe Wikipedia.
Descriere	Un set de date cu 16,185 de imagini a 196 de clase de mașini.
+CV	Imagine	Flori Oxford 102	botanică	Clasificare fină	Link
Descriere	102 categorii de flori întâlnite frecvent în Regatul Unit.
+CV	Imagine	CIFAR-10	General	Clasificarea imaginilor	Link
Descriere	Imagini a 10 clase: avion, automobil, pasăre, pisică, cerb, câine, broască, cal, navă și camion.
+CV	Imagine	CIFAR-100	General	Clasificarea imaginilor	Link
Descriere	Un set de date similar cu CIFAR-10, dar cu 100 de clase cu granulație fină.
+CV	Imagine	Aspectul persoanei VOC	General	Estimarea pozitiei	Link
Descriere	Parte a PASCAL VOC axată pe adnotările de aspect ale persoanelor, cum ar fi capul, mâinile și picioarele.
+CV	Imagine	Poziția umană MPII	General	Estimarea pozitiei	Link
Descriere	Aproximativ 25,000 de imagini care conțin peste 40,000 de persoane cu articulații corporale adnotate.
Descriere	Colecție de articole de știri Reuters pentru cercetarea clasificării textului.
+PNL	Text	20 de grupuri de știri	General	Clasificarea textului	Link
Descriere	O colecție de 20,000 de documente de grupuri de știri, împărțite în 20 de grupuri de știri diferite.

Ce facem cel mai bine

Servicii de date AI

Specialitatea

Catalog de date și licențiere standard

Seturi de date medicale

Seturi de date de computer Vision

Seturi de date vorbire/audio

Soluții

Industrie

Exemple utilizări

Seturi de date deschise gata de utilizare pentru AI/ML

Seturi de date open source pentru modelele dvs. de inteligență artificială/aprindere automată

Servicii de date AI

Specialitatea

Resurse

Companie

Contactaţi-ne