Git Stars Git Stars

#dataset Repositorios

Descubre 173 repositorios activos de código abierto de GitHub etiquetados con #dataset, que acumulan 893,448 estrellas en total (una media de 5,164 estrellas por proyecto). El líder de este tema es public-apis/public-apis, con 500,577 estrellas.

173
Total de Repositorios
893,448
Total de estrellas
5,164
Promedio de Estrellas/Repo

173 repositorios en total

1
public-apis/public-apis

Una lista colectiva de APIs gratuitas

public-apis
⭐ 500,577 Python 👤 public-apis Organization 🕐 Actualizado 2026-11-20 📅 Creado 2016-03-20
2
HumanSignal/label-studio

Label Studio es una herramienta de etiquetado y anotación de datos de múltiples tipos con formato de salida estandarizado

HumanSignal
⭐ 28,739 TypeScript 👤 HumanSignal Organization 🕐 Actualizado 2026-11-20 📅 Creado 2019-06-19
3
hasaneyldrm/exercises-dataset

Conjunto de datos de fitness de 1,324 ejercicios: GIFs animados, miniaturas de 180×180, datos sobre grupos musculares y equipamiento, e instrucciones paso a paso en 6 idiomas. La capa de datos de ejercicios detrás de la aplicación LogPress.

hasaneyldrm
⭐ 23,938 HTML 👤 hasaneyldrm User 🕐 Actualizado 2026-07-16 📅 Creado 2026-03-18
4
joke2k/faker

Faker es un paquete de Python que genera datos falsos para ti.

joke2k
⭐ 19,502 Python 👤 joke2k User 🕐 Actualizado 2026-11-20 📅 Creado 2012-11-12
5
cvat-ai/cvat

CVAT es una plataforma líder de anotación de datos para conjuntos de datos de imágenes, vídeo, audio y 3D. Ofrece productos de código abierto, en la nube y empresariales, además de servicios de etiquetado, con etiquetado asistido por IA, garantía de calidad, colaboración en equipo, análisis y API para desarrolladores.

cvat-ai
⭐ 17,181 Python 👤 cvat-ai Organization 🕐 Actualizado 2026-11-20 📅 Creado 2018-06-29
6
lukas-blecher/LaTeX-OCR

pix2tex: Usando un ViT para convertir imágenes de ecuaciones en código LaTeX.

lukas-blecher
⭐ 16,430 Python 👤 lukas-blecher User 🕐 Actualizado 2025-01-18 📅 Creado 2020-12-11
7
ConardLi/easy-dataset

Una herramienta poderosa para crear conjuntos de datos para ajuste fino de LLM、RAG y Evaluación

ConardLi
⭐ 15,135 JavaScript 👤 ConardLi User 🕐 Actualizado 2026-05-01 📅 Creado 2025-03-04
8
doccano/doccano

Herramienta de anotación de código abierto para practicantes de aprendizaje automático.

doccano
⭐ 10,811 Python 👤 doccano Organization 🕐 Actualizado 2026-04-14 📅 Creado 2018-05-09
9
satellite-image-deep-learning/techniques

Técnicas para el aprendizaje profundo con imágenes satelitales y aéreas

satellite-image-deep-learning
⭐ 10,311 👤 satellite-image-deep-learning Organization 🕐 Actualizado 2026-11-07 📅 Creado 2018-04-16
10
brightmart/nlp_chinese_corpus

Corpus chino a gran escala para NLP

brightmart
⭐ 9,937 👤 brightmart User 🕐 Actualizado 2026-02-06 📅 Creado 2019-02-08
11
mdn/browser-compat-data

Datos de compatibilidad del navegador para tecnologías web tal como se muestran en MDN

mdn
⭐ 5,800 JSON 👤 mdn Organization 🕐 Actualizado 2026-11-21 📅 Creado 2016-03-29
12
lonePatient/awesome-pretrained-chinese-nlp-models

Modelos NLP Chinos Preentrenados Impresionantes, Colección de Modelos Preentrenados Chinos de Alta Calidad & Modelos Grandes & Modelos Multimodales & Modelos de Lenguaje Grandes

lonePatient
⭐ 5,618 Python 👤 lonePatient User 🕐 Actualizado 2026-08-30 📅 Creado 2019-05-25
13
designfuchen/word-atlas

词光 · Word Atlas — Vocabulario ilustrado para el IELTS con 7.298 palabras, audio británico y estadounidense, y repaso con FSRS. Aplicación de código abierto + conjunto de datos CC BY 4.0.

designfuchen
⭐ 5,158 TypeScript 👤 designfuchen User 🕐 Actualizado 2026-11-13 📅 Creado 2026-10-25
14
mlabonne/llm-datasets

Lista curada de conjuntos de datos y herramientas para entrenamiento posterior.

mlabonne
⭐ 4,838 👤 mlabonne User 🕐 Actualizado 2026-04-29 📅 Creado 2024-04-27
15
SPLWare/esProc

esProc SPL es un lenguaje de programación basado en JVM diseñado para la computación de datos estructurados, que sirve tanto como una herramienta de análisis de datos como un motor de computación integrado.

SPLWare
⭐ 4,674 Java 👤 SPLWare User 🕐 Actualizado 2026-11-18 📅 Creado 2021-11-09
16
tensorflow/datasets

TFDS es una colección de conjuntos de datos listos para usar con TensorFlow, Jax, ...

tensorflow
⭐ 4,610 Python 👤 tensorflow Organization 🕐 Actualizado 2026-11-13 📅 Creado 2018-09-10
17
hyunwoongko/transformer

Transformer: Implementación en PyTorch de "Attention Is All You Need"

hyunwoongko
⭐ 4,609 Python 👤 hyunwoongko User 🕐 Actualizado 2025-07-15 📅 Creado 2019-10-15
18
rom1504/img2dataset

Convierta fácilmente grandes conjuntos de URL de imágenes en un conjunto de datos de imágenes. Puede descargar, cambiar el tamaño y empaquetar 100 millones de URL en 20 horas en una sola máquina.

rom1504
⭐ 4,458 Python 👤 rom1504 User 🕐 Actualizado 2025-10-19 📅 Creado 2021-08-11
19
wainshine/Chinese-Names-Corpus

Corpus de nombres chinos. Generador de nombres. Nombres chinos, apellidos, nombres de pila, títulos, nombres japoneses, nombres traducidos, nombres ingleses. Puede usarse para segmentación de palabras en chino y reconocimiento de entidades nombradas.

wainshine
⭐ 4,347 👤 wainshine User 🕐 Actualizado 2025-11-09 📅 Creado 2016-12-08
20
whoiskatrin/sql-translator

SQL Translator es una herramienta para convertir consultas en lenguaje natural en código SQL utilizando inteligencia artificial. Este proyecto es 100% gratuito y de código abierto.

whoiskatrin
⭐ 4,315 TypeScript 👤 whoiskatrin User 🕐 Actualizado 2025-07-06 📅 Creado 2023-03-11
21
CLUEbenchmark/CLUE

Benchmark de Evaluación de Comprensión del Lenguaje Chino: conjuntos de datos, líneas base, modelos preentrenados, corpus y tabla de clasificación

CLUEbenchmark
⭐ 4,288 Python 👤 CLUEbenchmark Organization 🕐 Actualizado 2026-02-06 📅 Creado 2019-11-22
22
OpenCSGs/csghub

CSGHub es una plataforma de código abierto completamente nueva para la gestión de LLM, desarrollada por el equipo de OpenCSG. Ofrece soluciones de código abierto y locales/SaaS, con características comparables a las de Hugging Face. Obtenga control total sobre el ciclo de vida de LLM, conjuntos de datos y agentes, con compatibilidad del SDK de Python con Hugging Face. ¡Únete a nosotros! ⭐️

OpenCSGs
⭐ 4,083 Vue 👤 OpenCSGs Organization 🕐 Actualizado 2026-11-13 📅 Creado 2024-01-12
23
Charmve/Surface-Defect-Detection

📈 La base de datos y colección de artículos más grande actualmente sobre detección de defectos industriales. Resumen constante de conjuntos de datos de código abierto y artículos críticos en el campo de la investigación de defectos superficiales, que son de gran importancia.

Charmve
⭐ 3,888 Python 👤 Charmve User 🕐 Actualizado 2024-05-27 📅 Creado 2020-09-27
24
M-3LAB/awesome-industrial-anomaly-detection

Lista de artículos y conjuntos de datos para la detección de anomalías/defectos en imágenes industriales (en actualización). Biblioteca de recuperación de artículos y conjuntos de datos sobre detección de anomalías/defectos industriales (actualización continua).

M-3LAB
⭐ 3,866 👤 M-3LAB Organization 🕐 Actualizado 2026-11-05 📅 Creado 2022-12-02
25
Belval/TextRecognitionDataGenerator

Un generador de datos sintéticos para el reconocimiento de texto

Belval
⭐ 3,619 Python 👤 Belval User 🕐 Actualizado 2024-07-18 📅 Creado 2017-07-01
26
ashvardanian/StringZilla

SIMD, SWAR y kernels de GPU para cadenas: búsqueda, hash, ordenación, distancias de edición, segmentación UTF-8 y cifrados para C, C++, CUDA, Python, Rust, Go, Swift, JS, C# y Java 🦖

ashvardanian
⭐ 3,590 C 👤 ashvardanian User 🕐 Actualizado 2026-11-20 📅 Creado 2020-08-14
27
jdorfman/awesome-json-datasets

Una lista curada de conjuntos de datos JSON geniales que no requieren autenticación.

jdorfman
⭐ 3,531 JavaScript 👤 jdorfman User 🕐 Actualizado 2024-12-13 📅 Creado 2015-08-10
⭐ 3,438 Python 👤 waymo-research Organization 🕐 Actualizado 2026-01-08 📅 Creado 2019-06-13
29
linhandev/dataset

Lista de conjuntos de datos de imágenes médicas "Un índice para conjuntos de datos de imágenes médicas"

linhandev
⭐ 3,421 👤 linhandev User 🕐 Actualizado 2024-08-15 📅 Creado 2020-12-04
30
pydata/pandas-datareader

Extraiga datos de una amplia gama de fuentes de Internet en un DataFrame de pandas.

pydata
⭐ 3,283 Python 👤 pydata Organization 🕐 Actualizado 2026-07-21 📅 Creado 2015-01-15
31
meodai/color-names

Gran lista de nombres de colores seleccionados a mano 🌈

meodai
⭐ 3,111 JavaScript 👤 meodai User 🕐 Actualizado 2026-11-19 📅 Creado 2017-04-23
32
WebBreacher/WhatsMyName

Conjunto de datos mantenido por la comunidad con más de 700 sitios web para encontrar cuentas por nombre de usuario; potencia herramientas de OSINT y huella digital.

WebBreacher
⭐ 3,043 Python 👤 WebBreacher User 🕐 Actualizado 2026-11-02 📅 Creado 2015-10-02
33
whylabs/whylogs

Una biblioteca de registro de datos de código abierto para modelos de aprendizaje automático y canalizaciones de datos. 📚 Proporciona visibilidad sobre la calidad de los datos y el rendimiento del modelo a lo largo del tiempo. 🛡️ Admite la recopilación de datos que preservan la privacidad, garantizando seguridad y robustez. 📈

whylabs
⭐ 2,819 Jupyter Notebook 👤 whylabs Organization 🕐 Actualizado 2025-01-10 📅 Creado 2020-08-14
34
unsplash/datasets

🎁 Más de 7.400.000 imágenes de Unsplash disponibles para investigación y aprendizaje automático

unsplash
⭐ 2,812 Jupyter Notebook 👤 unsplash Organization 🕐 Actualizado 2026-06-26 📅 Creado 2020-06-23
35
colour-science/colour

Ciencia del color para Python

colour-science
⭐ 2,696 Python 👤 colour-science Organization 🕐 Actualizado 2026-11-19 📅 Creado 2014-02-23
36
GanjinZero/awesome_Chinese_medical_NLP

Recopilación de recursos abiertos para NLP médico en chino: Conjuntos de términos/Corpus/Vectores de palabras/Modelos preentrenados/Grafos de conocimiento/Reconocimiento de entidades nombradas/QA/Extracción de información/Modelos/Papeles/etc

GanjinZero
⭐ 2,518 👤 GanjinZero User 🕐 Actualizado 2024-01-17 📅 Creado 2019-10-30
37
detectRecog/CCPD

[ECCV 2018] CCPD: un conjunto de datos diverso y bien anotado para la detección y reconocimiento de matrículas

detectRecog
⭐ 2,509 Python 👤 detectRecog User 🕐 Actualizado 2024-02-15 📅 Creado 2018-04-03
38
itmeo/webgradients

180 gradientes gratuitos de CSS3, Figma, Sketch y PSD, más un conjunto de datos JSON para herramientas de diseño, generadores y agentes de IA.

itmeo
⭐ 2,505 CSS 👤 itmeo Organization 🕐 Actualizado 2026-08-03 📅 Creado 2017-01-08
39
lukes/ISO-3166-Countries-with-Regional-Codes

Listas de países ISO 3166-1 fusionadas con sus códigos regionales del Esquema Geográfico de la ONU en conjuntos de datos JSON, XML y CSV listos para usar

lukes
⭐ 2,405 Ruby 👤 lukes User 🕐 Actualizado 2024-06-29 📅 Creado 2011-04-21
40
wenhwu/awesome-remote-sensing-change-detection

Una compilación completa y actualizada de conjuntos de datos, herramientas, métodos, artículos de revisión y competiciones para la detección de cambios por teledetección.

wenhwu
⭐ 2,377 👤 wenhwu User 🕐 Actualizado 2026-09-09 📅 Creado 2018-11-03
41
google-research-datasets/Objectron

Objectron es un conjunto de datos de clips de video cortos centrados en objetos. Además, los videos también contienen metadatos de sesión AR, incluyendo poses de la cámara, nubes de puntos dispersas y planos. En cada video, la cámara se mueve alrededor y por encima del objeto y lo captura desde diferentes vistas. Cada objeto está anotado con una caja delimitadora 3D. La caja delimitadora 3D describe la posición, orientación y dimensiones del objeto. El conjunto de datos contiene alrededor de 15K clips de video anotados y 4M imágenes anotadas en las siguientes categorías.

google-research-datasets
⭐ 2,361 Jupyter Notebook 👤 google-research-datasets Organization 🕐 Actualizado 2026-03-06 📅 Creado 2020-10-19
42
beir-cellar/beir

Un benchmark heterogéneo para la recuperación de información. Fácil de usar, evalúe sus modelos en más de 15 conjuntos de datos de IR diversos.

beir-cellar
⭐ 2,310 Python 👤 beir-cellar Organization 🕐 Actualizado 2025-10-16 📅 Creado 2021-01-18
43
alibaba/clusterdata

datos de clúster recopilados de clústeres de producción en Alibaba para la investigación de gestión de clústeres

alibaba
⭐ 2,270 Jupyter Notebook 👤 alibaba Organization 🕐 Actualizado 2026-10-13 📅 Creado 2017-09-05
44
jim-schwoebel/voice_datasets

🔊 Una lista completa de conjuntos de datos de código abierto para la computación de voz y sonido (más de 95 conjuntos de datos).

jim-schwoebel
⭐ 2,106 👤 jim-schwoebel User 🕐 Actualizado 2024-06-06 📅 Creado 2019-07-24
45
UniversalDataTool/universal-data-tool

Colabora y etiqueta cualquier tipo de datos, imágenes, texto o documentos, en una interfaz web fácil o una aplicación de escritorio.

UniversalDataTool
⭐ 2,065 JavaScript 👤 UniversalDataTool Organization 🕐 Actualizado 2025-03-15 📅 Creado 2019-07-11
46
X-zhangyang/Real-World-Masked-Face-Dataset

Real-World Masked Face Dataset, conjunto de datos de rostros enmascarados del mundo real

X-zhangyang
⭐ 2,030 Python 👤 X-zhangyang User 🕐 Actualizado 2024-11-20 📅 Creado 2020-02-13
47
nvkelso/natural-earth-vector

Un conjunto de datos de mapas globales en dominio público disponible en tres escalas y con datos vectoriales y raster integrados de manera estrecha.

nvkelso
⭐ 2,015 HTML 👤 nvkelso User 🕐 Actualizado 2024-04-22 📅 Creado 2012-01-22
48
visual-layer/fastdup

fastdup es una herramienta potente y gratuita diseñada para generar rápidamente información valiosa a partir de conjuntos de datos de imágenes y videos. Ayuda a mejorar la calidad tanto de las imágenes como de las etiquetas, al tiempo que reduce significativamente los costos de operación de datos, todo ello con una escalabilidad inigualable.

visual-layer
⭐ 1,915 Python 👤 visual-layer Organization 🕐 Actualizado 2026-08-23 📅 Creado 2022-05-11
49
safe-graph/graph-fraud-detection-papers

Una lista curada de artículos y recursos sobre detección de fraudes, anomalías y valores atípicos basada en grafos/transformadores

safe-graph
⭐ 1,908 👤 safe-graph Organization 🕐 Actualizado 2026-11-15 📅 Creado 2019-11-21
50
thanglequoc/vietnamese-provinces-database

Conjuntos de datos completos de SQL y SIG sobre las unidades administrativas de Vietnam, incluidos provincias, distritos, barrios, códigos postales y límites geoespaciales.

thanglequoc
⭐ 1,868 PLpgSQL 👤 thanglequoc User 🕐 Actualizado 2026-10-14 📅 Creado 2021-11-06

Preguntas frecuentes

1

¿Cuál es el repositorio de #dataset más popular en GitHub?

El proyecto de código abierto de #dataset mejor posicionado en GitHub es public-apis/public-apis, con 500,577 estrellas. Una lista colectiva de APIs gratuitas

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #dataset?

Entre los proyectos de #dataset mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, JavaScript, Jupyter Notebook, TypeScript.

3

¿Cómo se calcula la clasificación de los repositorios de #dataset?

Seguimos 173 repositorios activos de código abierto etiquetados con #dataset (500+ estrellas), que suman un total de 893,448 estrellas, con una media de 5,164 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.