#dataset Repositórios
Descubra 173 repositórios ativos de código aberto no GitHub marcados com #dataset, acumulando um total de 893,448 estrelas (uma média de 5,164 por projeto). O líder deste tópico é public-apis/public-apis, com 500,577 estrelas.
173 repositórios no total
Label Studio é uma ferramenta de rotulagem e anotação de dados multi-tipo com formato de saída padronizado
Conjunto de dados de fitness com 1.324 exercícios — GIFs animados, miniaturas 180×180, dados sobre grupos musculares e equipamentos, e instruções passo a passo em 6 idiomas. A camada de dados de exercícios por trás do aplicativo LogPress.
O CVAT é uma plataforma líder de anotação de dados para conjuntos de dados de imagens, vídeos, áudio e 3D. Oferece produtos de código aberto, na nuvem e empresariais, além de serviços de rotulagem, com rotulagem assistida por IA, garantia de qualidade, colaboração em equipe, análises e APIs para desenvolvedores.
pix2tex: Usando um ViT para converter imagens de equações em código LaTeX.
Uma ferramenta poderosa para criar conjuntos de dados para ajuste fino de LLM、RAG e Avaliação
Ferramenta de anotação de código aberto para profissionais de aprendizado de máquina.
Técnicas para aprendizado profundo com imagens de satélite e aéreas
Corpus Chinês de Grande Escala para Processamento de Linguagem Natural
Dados de compatibilidade do navegador para tecnologias da Web, conforme exibido no MDN
Incríveis Modelos NLP Chineses Pré-treinados, uma coleção de modelos pré-treinados chineses de alta qualidade, grandes modelos, modelos multimodais e grandes modelos de linguagem.
词光 · Word Atlas — Vocabulário ilustrado para o IELTS com 7.298 palavras, áudio britânico e americano e revisão com FSRS. Aplicativo de código aberto + conjunto de dados CC BY 4.0.
Lista selecionada de conjuntos de dados e ferramentas para pós-treinamento.
esProc SPL é uma linguagem de programação baseada em JVM, projetada para computação de dados estruturados, servindo como uma ferramenta de análise de dados e um motor de computação embutido.
TFDS é uma coleção de conjuntos de dados prontos para usar com TensorFlow, Jax, ...
Transforme facilmente grandes conjuntos de URLs de imagens em um dataset de imagens. Pode baixar, redimensionar e empacotar 100 milhões de URLs em 20h em uma única máquina.
Corpus de nomes próprios chineses. Gerador de nomes próprios. Nomes chineses, sobrenomes, nomes próprios, formas de tratamento, nomes japoneses, nomes traduzidos, nomes ingleses. Pode ser usado para segmentação de palavras em chinês e reconhecimento de entidades nomeadas de nomes próprios.
O Tradutor SQL é uma ferramenta para converter consultas em linguagem natural em código SQL usando inteligência artificial. Este projeto é 100% gratuito e de código aberto.
Chinese Language Understanding Evaluation Benchmark: conjuntos de dados, linhas de base, modelos pré-treinados, corpus e quadro de líderes
CSGHub é uma plataforma de código aberto totalmente nova para gerenciar LLMs, desenvolvida pela equipe OpenCSG. Ele oferece soluções de código aberto e on-premise/SaaS, com recursos comparáveis ao Hugging Face. Obtenha controle total sobre o ciclo de vida de LLMs, datasets e agentes, com compatibilidade de SDK Python com Hugging Face. Junte-se a nós! ⭐️
📈 O maior banco de dados e coleção de artigos sobre detecção de defeitos industriais até o momento. Resumindo constantemente conjuntos de dados de código aberto e artigos críticos no campo de pesquisa de defeitos de superfície, que são de grande importância.
Lista de artigos e conjuntos de dados para detecção de anomalias/defeitos em imagens industriais (em atualização).
SIMD, SWAR e kernels de GPU para strings: busca, hashing, ordenação, distâncias de edição, segmentação UTF-8 e cifras para C, C++, CUDA, Python, Rust, Go, Swift, JS, C# e Java 🦖
Uma lista selecionada de conjuntos de dados JSON incríveis que não exigem autenticação.
Lista de conjuntos de dados de imagens médicas 『An Index for Medical Imaging Datasets』
Extrair dados de uma ampla variedade de fontes da Internet para um pandas DataFrame.
Conjunto de dados mantido pela comunidade com mais de 700 sites para encontrar contas por nome de usuário — potencializa ferramentas de OSINT e pegada digital.
Uma biblioteca de registro de dados de código aberto para modelos de aprendizado de máquina e pipelines de dados. 📚 Oferece visibilidade da qualidade dos dados e do desempenho do modelo ao longo do tempo. 🛡️ Suporta coleta de dados que preserva a privacidade, garantindo segurança e robustez. 📈
🎁 Mais de 7.400.000 imagens do Unsplash disponibilizadas para pesquisa e aprendizado de máquina
Organização de Recursos Públicos de PNL Médica em Chinês: Conjuntos de Termos/Corpora/Word Embeddings/Modelos Pré-treinados/Knowledge Graphs/Reconhecimento de Entidades Nomeadas/QA/Extração de Informação/Modelos/Artigos/etc
[ECCV 2018] CCPD: um conjunto de dados diverso e bem anotado para detecção e reconhecimento de placas de licença
180 gradientes gratuitos de CSS3, Figma, Sketch e PSD — mais um conjunto de dados JSON para ferramentas de design, geradores e agentes de IA.
Listas de países ISO 3166-1 mescladas com seus códigos regionais do UN Geoscheme em conjuntos de dados JSON, XML, CSV prontos para uso
Uma compilação abrangente e atualizada de conjuntos de dados, ferramentas, métodos, artigos de revisão e competições para detecção de mudanças em sensoriamento remoto.
Objectron é um conjunto de dados de clipes de vídeo curtos e centrados em objetos. Além disso, os vídeos também contêm metadados de sessão AR, incluindo poses da câmera, nuvens de pontos esparsas e planos. Em cada vídeo, a câmera se move ao redor e acima do objeto e o captura de diferentes ângulos. Cada objeto é anotado com uma caixa delimitadora 3D. A caixa delimitadora 3D descreve a posição, orientação e dimensões do objeto. O conjunto de dados contém cerca de 15 mil clipes de vídeo anotados e 4 milhões de imagens anotadas nas seguintes categorias.
Um Benchmark Heterogêneo para Recuperação de Informação. Fácil de usar, avalie seus modelos em mais de 15 conjuntos de dados de RI diversos.
dados de cluster coletados de clusters de produção no Alibaba para pesquisa em gerenciamento de clusters
🔊 Uma lista abrangente de conjuntos de dados de código aberto para computação de voz e som (mais de 95 conjuntos de dados).
Colabore e rotule qualquer tipo de dados, imagens, textos ou documentos, em uma interface web fácil ou aplicativo desktop.
Real-World Masked Face Dataset, Conjunto de Dados de Rostos Mascarados
Um conjunto de dados de mapas globais, em domínio público, disponível em três escalas e apresentando dados vetoriais e raster estreitamente integrados.
fastdup é uma ferramenta poderosa e gratuita, projetada para gerar rapidamente insights valiosos a partir de conjuntos de dados de imagens e vídeos. Ela ajuda a melhorar a qualidade de imagens e rótulos, ao mesmo tempo em que reduz significativamente os custos de operação de dados, tudo com escalabilidade incomparável.
Uma lista selecionada de artigos e recursos sobre detecção de fraudes, anomalias e outliers baseada em Grafos/Transformers
Conjuntos de dados abrangentes de SQL e SIG sobre as unidades administrativas do Vietname, incluindo províncias, distritos, bairros, códigos postais e limites geoespaciais.
Perguntas Frequentes
Qual é o repositório de #dataset mais popular no GitHub?
O projeto de código aberto de #dataset mais bem classificado no GitHub é public-apis/public-apis, com 500,577 estrelas. Uma lista coletiva de APIs gratuitas
Quais linguagens de programação são mais usadas nos repositórios de #dataset?
Entre os projetos de #dataset mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, JavaScript, Jupyter Notebook, TypeScript.
Como é calculada a classificação dos repositórios de #dataset?
Acompanhamos 173 repositórios ativos de código aberto marcados com #dataset (com mais de 500 estrelas), totalizando 893,448 estrelas e uma média de 5,164 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.