Åbn datasæt

Opdag datasæt med open source, der får dig til at træne ML -modeller

Open Source -datasæt for at komme i gang med AI/ML -modeller

Resultatet af dine AI & ML-modeller er kun lige så godt som de data, du bruger til at træne det - så den nøjagtighed, som du anvender til dataaggregering, og mærkning og identifikation af disse data er vigtig!

Så hvis du vil starte et nyt AI / ML-initiativ, og nu er du hurtigt klar over, at det at finde træningsdata af høj kvalitet vil være et af de mere udfordrende aspekter af dit projekt, da datasæt af høj kvalitet er det brændstof, der holder AI / ML-motor kører. Vi har samlet en liste over åbne datasæt, der er gratis at bruge og træne dine fremtidige AI / ML-modeller.

specialisering Natural Language Processing (NLP) Computer Vision (CV)

Datatype Audio Billede tekst Video

specialisering	Datatype	Datasætnavn	Industri / Afd.	Kommentar / brugssag	Link
+NLP	tekst	anmeldelser Amazon	E-handel	Følelsesanalyse	Link
Beskrivelse	Et sæt på 35 Mn anmeldelser og vurderinger fra de sidste 18 år i almindelig tekst med bruger- og produktdetaljer.
+NLP	tekst	Wikipedia links data	Generelt		Link
Beskrivelse	Mere end 4 millioner artikler indeholdende 1.9 milliarder ord fra Wikipedia. Hver artikel indeholder hyperlinks til den tilknyttede enhed.
+NLP	tekst	Standford Sentiment Treebank	Underholdning	Følelsesanalyse	Link
Beskrivelse	Datasæt med sentimentannotationer for over 10,000 sætninger fra Rotten Tomatoes-filmanmeldelser. Tilgængelig på sætningsniveau - hver sætning parses i underfraser ved at binarisere parsetræerne i Penn Treebank-formatet.
+NLP	tekst	Twitter US Airline Sentiment	Flyselskab	Følelsesanalyse	Link
Beskrivelse	Tweets om US Airlines i 2015 delte sig i positive, neutrale og negative følelser.
+CV	Billede	Imagenet	Generelt		Link
Beskrivelse	Datasæt med over 14 millioner billeder i forskellige filformater kortlagt til omkring 21,000 synsets. Synsets er synonymer med tilhørende enheder, der præsenteres som et billede. 1 millioner billeder har afgrænsningsbokse, og mere end 1 millioner billeder har SIFT-funktioner.
+CV	Billede	Googles åbne billeder	Generelt		Link
Beskrivelse	Et datasæt svarende til ImageNet med 600 kategorier. Tilgængelig i udviklings-, validerings- og træningsopdelinger. Nogle billeder indeholder også afgrænsningsbokse og visuelle relationer.
+NLP	tekst	Cornell-filmdialoger	Underholdning	Dialoger	Link
Beskrivelse	En samling af fiktive samtaler med metadata om karakterer og film. Hver række er en dialog mellem to personer i et spørgsmål-svar-format.
Beskrivelse	Et spørgsmål-svar-datasæt med spørgsmål og svar fra Yahoo Answers-portalen mellem april 2007 og oktober 2007.
+NLP	tekst	MS MARCO	Generelt	Besvarelse af spørgsmål	Link
Beskrivelse	Et spørgsmål-svar-datasæt med annoteringer fra Bings websøgelogfiler. Hvert spørgsmål indeholder et svar fra en bruger, samt webpassager, der indeholder svaret.
+NLP	tekst	Naturlige spørgsmålsdatasæt	Generelt	Besvarelse af spørgsmål	Link
Beskrivelse	Dette datasæt, der er udgivet af Google, indeholder rigtige brugerforespørgsler og svar fra Wikipedia-artikler.
+NLP	tekst	DBPedia	Generelt	Viden Graph	Link
Beskrivelse	En struktureret gengivelse af Wikipedia, med enheder og relationer udtrukket som en vidensgraf.
+NLP	tekst	YAGO	Generelt	Viden Graph	Link
Beskrivelse	En vidensgraf, der indeholder enheder og relationer fra Wikipedia, WordNet og GeoNames.
+NLP	tekst	FreeBase	Generelt	Viden Graph	Link
Beskrivelse	En crowdsourcing-vidensbase bestående af enheder og relationer, nu integreret i Googles vidensgraf.
+NLP	tekst	Ontonotes	Generelt	Semantisk rollemærkning	Link
Beskrivelse	Et korpus med syntaktiske, semantiske og diskursniveauannotationer brugt i de delte CoNLL-opgaver.
Beskrivelse	Et engelsk datasæt annoteret for navngivne enheder såsom person, organisation og placering.
+CV	Billede	COCO	Generelt	Objektdetektion	Link
Beskrivelse	Almindelige objekter i kontekst: et rigt annoteret datasæt til objektdetektion, segmentering og billedtekster.
+CV	Billede	PASCAL VOC	Generelt	Objektdetektion	Link
Beskrivelse	Et benchmark-datasæt til udfordringer med objektdetektion og segmentering.
+CV	Billede	Bybilleder	Autonom kørsel	Semantisk segmentering	Link
Beskrivelse	Datasæt til forståelse af byscener med annoteringer på pixelniveau for 30 klasser.
+CV	Billede	MNIST	Generelt	Cifferklassificering	Link
Beskrivelse	Datasæt med håndskrevne cifre med 60,000 trænings- og 10,000 testbilleder på 28x28 pixels.
+CV	Billede	Mode-MNIST	Retail	Billedklassificering	Link
Beskrivelse	Datasæt med Zalandos artikelbilleder i samme format som MNIST, brugt som en drop-in-erstatning for benchmarking.
+NLP	Audio	LibriSpeech	Generelt	ASR	Link
Beskrivelse	Et korpus af læst engelsk tale afledt af lydbøger, med 1000 timers tale og tilhørende tekster.
+NLP	Audio	TED-LIUM	Generelt	ASR	Link
Beskrivelse	Transskriberede TED-foredrag med lyd og justerede transskriptioner til forskning i talegenkendelse.
+NLP	Audio	TIMIT	Generelt	Fonemgenkendelse	Link
Beskrivelse	Fonetisk transskriberet tale fra amerikansk-engelsktalende, i vid udstrækning brugt til fonemgenkendelsesopgaver.
+NLP	Audio	Fælles stemme	Generelt	ASR	Link
Beskrivelse	Et flersproget korpus af læst tale bidraget af frivillige over hele verden.
+NLP	Audio	VoxCeleb	Generelt	Højttalergenkendelse	Link
Beskrivelse	Et storstilet datasæt til identifikation af talere indsamlet fra YouTube-videoer.
+NLP	tekst	Wikipedia-dump	Generelt	Sprogmodellering	Link
Beskrivelse	Fuldtekstdumps af Wikipedia-artikler, opdateres regelmæssigt, brugt til foruddannelse af sprogmodeller.
+NLP	tekst	Gigaword	Nyheder	Sprogmodellering	Link
Beskrivelse	Et omfattende arkiv med nyhedstekstdata fra flere nyhedsbureauer.
+NLP	tekst	IMDB Anmeldelser	Underholdning	Følelsesanalyse	Link
Beskrivelse	Stort datasæt for filmanmeldelser til klassificering af binær sentiment.
+CV	Video	Kinetik-700	Generelt	Handlingsgenkendelse	Link
Beskrivelse	Et stort datasæt af YouTube-videoklip i høj kvalitet, der dækker 700 menneskelige handlingsklasser.
+CV	Video	UCF101	Generelt	Handlingsgenkendelse	Link
Beskrivelse	Et datasæt af realistiske actionvideoer med 101 actionkategorier.
+CV	Video	HMDB51	Generelt	Handlingsgenkendelse	Link
Beskrivelse	En stor database med videoer om menneskelig bevægelse med 51 handlingskategorier.
Beskrivelse	En database med ansigtsfotografier designet til at studere ubegrænset ansigtsgenkendelse.
+CV	Billede	CASIA-WebFace	Generelt	Face Recognition	Link
Beskrivelse	Et datasæt med millioner af ansigtsbilleder til træning af modeller til dybdegående ansigtsgenkendelse.
+NLP	tekst	SQUAD	Generelt	Læseforståelse	Link
Beskrivelse	Stanford Question Beswering Dataset: spørgsmål stillet af crowdworkers om et sæt Wikipedia-artikler.
Beskrivelse	Et datasæt om maskinforståelse med spørgsmål og svar baseret på CNN-nyhedsartikler.
+NLP	tekst	MultiNLI	Generelt	Naturlig sprogslutning	Link
Beskrivelse	Et datasæt til slutning af naturligt sprog for sætningspar på tværs af flere genrer.
+NLP	tekst	SNLI	Generelt	Naturlig sprogslutning	Link
Beskrivelse	Stanford Natural Language Inference Corpus med sætningspar mærket som entailment, contraindiction eller neutral.
Beskrivelse	En samling af over 100 millioner tokens udtrukket fra sættet af verificerede gode og fremhævede artikler på Wikipedia.
Beskrivelse	Et datasæt med 16,185 billeder af 196 bilklasser.
+CV	Billede	Oxford Blomster 102	Botany	Finkornet klassificering	Link
Beskrivelse	102 blomsterkategorier, der er almindeligt forekommende i Storbritannien.
+CV	Billede	CIFAR-10	Generelt	Billedklassificering	Link
Beskrivelse	Billeder af 10 klasser: fly, bil, fugl, kat, hjort, hund, frø, hest, skib og lastbil.
+CV	Billede	CIFAR-100	Generelt	Billedklassificering	Link
Beskrivelse	Et datasæt svarende til CIFAR-10, men med 100 finkornede klasser.
+CV	Billede	VOC Personlayout	Generelt	Posevurdering	Link
Beskrivelse	En del af PASCAL VOC med fokus på annotationer til personlayout såsom hoved, hænder og fødder.
+CV	Billede	MPII Menneskelig Pose	Generelt	Posevurdering	Link
Beskrivelse	Omkring 25,000 billeder indeholdende over 40,000 personer med kommenterede kropsled.
Beskrivelse	Samling af Reuters-nyhedsartikler til forskning i tekstkategorisering.
+NLP	tekst	20 nyhedsgrupper	Generelt	Tekstklassificering	Link
Beskrivelse	En samling af 20,000 nyhedsgruppedokumenter opdelt i 20 forskellige nyhedsgrupper.

Åbn datasæt

Open Source -datasæt for at komme i gang med AI/ML -modeller

AI-datatjenester

Specialiseret

Ressourcer

Firmanavn

Kontakt os