Git Stars Git Stars

#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
Total de Repositórios
893,448
Total de estrelas
5,164
Média de Estrelas/Repositório

173 repositórios no total

1
public-apis/public-apis

Uma lista coletiva de APIs gratuitas

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

Label Studio é uma ferramenta de rotulagem e anotação de dados multi-tipo com formato de saída padronizado

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

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.

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

Faker é um pacote Python que gera dados falsos para você.

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

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.

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

pix2tex: Usando um ViT para converter imagens de equações em código LaTeX.

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

Uma ferramenta poderosa para criar conjuntos de dados para ajuste fino de LLM、RAG e Avaliação

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

Ferramenta de anotação de código aberto para profissionais de aprendizado de máquina.

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

Técnicas para aprendizado profundo com imagens de satélite e aéreas

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

Corpus Chinês de Grande Escala para Processamento de Linguagem Natural

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

Dados de compatibilidade do navegador para tecnologias da Web, conforme exibido no MDN

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

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.

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

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.

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

Lista selecionada de conjuntos de dados e ferramentas para pós-treinamento.

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

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.

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

TFDS é uma coleção de conjuntos de dados prontos para usar com TensorFlow, Jax, ...

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

Transformer: Implementação em PyTorch de "Attention Is All You Need"

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

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.

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

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.

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

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.

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

Chinese Language Understanding Evaluation Benchmark: conjuntos de dados, linhas de base, modelos pré-treinados, corpus e quadro de líderes

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

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! ⭐️

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

📈 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.

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

Lista de artigos e conjuntos de dados para detecção de anomalias/defeitos em imagens industriais (em atualização).

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

Um gerador de dados sintéticos para reconhecimento de texto

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

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 🦖

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

Uma lista selecionada de conjuntos de dados JSON incríveis que não exigem autenticação.

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

Lista de conjuntos de dados de imagens médicas 『An Index for Medical Imaging Datasets』

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

Extrair dados de uma ampla variedade de fontes da Internet para um pandas DataFrame.

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

Grande lista de nomes de cores selecionados a dedo 🌈

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

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.

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

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. 📈

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

🎁 Mais de 7.400.000 imagens do Unsplash disponibilizadas para pesquisa e aprendizado de máquina

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

Ciência das Cores para Python

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

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

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

[ECCV 2018] CCPD: um conjunto de dados diverso e bem anotado para detecção e reconhecimento de placas de licença

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

180 gradientes gratuitos de CSS3, Figma, Sketch e PSD — mais um conjunto de dados JSON para ferramentas de design, geradores e agentes de IA.

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

Listas de países ISO 3166-1 mescladas com seus códigos regionais do UN Geoscheme em conjuntos de dados JSON, XML, CSV prontos para uso

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

Uma compilação abrangente e atualizada de conjuntos de dados, ferramentas, métodos, artigos de revisão e competições para detecção de mudanças em sensoriamento remoto.

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

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.

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

Um Benchmark Heterogêneo para Recuperação de Informação. Fácil de usar, avalie seus modelos em mais de 15 conjuntos de dados de RI diversos.

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

dados de cluster coletados de clusters de produção no Alibaba para pesquisa em gerenciamento de clusters

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

🔊 Uma lista abrangente de conjuntos de dados de código aberto para computação de voz e som (mais de 95 conjuntos de dados).

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

Colabore e rotule qualquer tipo de dados, imagens, textos ou documentos, em uma interface web fácil ou aplicativo desktop.

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

Real-World Masked Face Dataset, Conjunto de Dados de Rostos Mascarados

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

Um conjunto de dados de mapas globais, em domínio público, disponível em três escalas e apresentando dados vetoriais e raster estreitamente integrados.

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

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.

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

Uma lista selecionada de artigos e recursos sobre detecção de fraudes, anomalias e outliers baseada em Grafos/Transformers

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

Conjuntos de dados abrangentes de SQL e SIG sobre as unidades administrativas do Vietname, incluindo províncias, distritos, bairros, códigos postais e limites geoespaciais.

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

Perguntas Frequentes

1

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

2

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.

3

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.