#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 repositorios en total
Label Studio es una herramienta de etiquetado y anotación de datos de múltiples tipos con formato de salida estandarizado
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.
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.
pix2tex: Usando un ViT para convertir imágenes de ecuaciones en código LaTeX.
Una herramienta poderosa para crear conjuntos de datos para ajuste fino de LLM、RAG y Evaluación
Herramienta de anotación de código abierto para practicantes de aprendizaje automático.
Técnicas para el aprendizaje profundo con imágenes satelitales y aéreas
Datos de compatibilidad del navegador para tecnologías web tal como se muestran en MDN
Modelos NLP Chinos Preentrenados Impresionantes, Colección de Modelos Preentrenados Chinos de Alta Calidad & Modelos Grandes & Modelos Multimodales & Modelos de Lenguaje Grandes
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.
Lista curada de conjuntos de datos y herramientas para entrenamiento posterior.
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.
TFDS es una colección de conjuntos de datos listos para usar con TensorFlow, Jax, ...
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.
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.
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.
Benchmark de Evaluación de Comprensión del Lenguaje Chino: conjuntos de datos, líneas base, modelos preentrenados, corpus y tabla de clasificación
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! ⭐️
📈 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.
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).
Un generador de datos sintéticos para el reconocimiento de texto
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 🦖
Una lista curada de conjuntos de datos JSON geniales que no requieren autenticación.
Lista de conjuntos de datos de imágenes médicas "Un índice para conjuntos de datos de imágenes médicas"
Extraiga datos de una amplia gama de fuentes de Internet en un DataFrame de pandas.
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.
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. 📈
🎁 Más de 7.400.000 imágenes de Unsplash disponibles para investigación y aprendizaje automático
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
[ECCV 2018] CCPD: un conjunto de datos diverso y bien anotado para la detección y reconocimiento de matrículas
180 gradientes gratuitos de CSS3, Figma, Sketch y PSD, más un conjunto de datos JSON para herramientas de diseño, generadores y agentes de IA.
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
Una compilación completa y actualizada de conjuntos de datos, herramientas, métodos, artículos de revisión y competiciones para la detección de cambios por teledetección.
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.
Un benchmark heterogéneo para la recuperación de información. Fácil de usar, evalúe sus modelos en más de 15 conjuntos de datos de IR diversos.
datos de clúster recopilados de clústeres de producción en Alibaba para la investigación de gestión de clústeres
🔊 Una lista completa de conjuntos de datos de código abierto para la computación de voz y sonido (más de 95 conjuntos de datos).
Colabora y etiqueta cualquier tipo de datos, imágenes, texto o documentos, en una interfaz web fácil o una aplicación de escritorio.
Real-World Masked Face Dataset, conjunto de datos de rostros enmascarados del mundo real
Un conjunto de datos de mapas globales en dominio público disponible en tres escalas y con datos vectoriales y raster integrados de manera estrecha.
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.
Una lista curada de artículos y recursos sobre detección de fraudes, anomalías y valores atípicos basada en grafos/transformadores
Conjuntos de datos completos de SQL y SIG sobre las unidades administrativas de Vietnam, incluidos provincias, distritos, barrios, códigos postales y límites geoespaciales.
Preguntas frecuentes
¿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
¿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.
¿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.