【机器学习】数据别愁！机器学习、深度学习数据集汇总

最新推荐文章于 2025-04-01 14:43:20 发布

风度78

最新推荐文章于 2025-04-01 14:43:20 发布

阅读量351

点赞数

文章标签：机器学习深度学习人工智能计算机视觉神经网络

原文链接：https://mp.weixin.qq.com/s?__biz=MzIwODI2NDkxNQ==&mid=2247508629&idx=1&sn=37d7c658aa7aba8ba9628e02137c3ede&chksm=97072929a070a03f4551e2f6f97a287eca14f8c00e74a7379614c67a9ebafcd77c28a4be9e96&scene=126&sessionid=0

版权

来源丨尤而小屋

寻找一个好用的数据集需要注意以下几点：

数据集不混乱，否则要花费大量时间来清理数据；
数据集不应包含太多行或列，否则会难以使用；
数据越干净越好，清理大型数据集可能非常耗时；
应该预设一个有趣的问题，而这个问题又可以用数据来回答

数据集网站

AI Studio数据集：开放数据集-百度AI Studio - 人工智能学习与实训社区
天池数据集：数据集-阿里系唯一对外开放数据分享平台
Papers With Code数据集：Machine Learning Datasets | Papers With Code
Kaggle 数据集：Find Open Datasets and Machine Learning Projects | Kaggle爱竞赛的盆友们应该很熟悉了，Kaggle上有各种有趣的数据集，拉面评级、篮球数据、甚至西雅图的宠物许可证。
Graviti Open Datasets：公开数据集下载，优质机器学习数据集，图像识别、NLP免费获取 | 格物钛，非结构化数据平台
Huggingface数据集：Hugging Face – The AI community building the future.
CLUE 数据集：https://www.cluebenchmarks.com/dataSet_search.html
UCI机器学习库：最古老的数据集源之一，是寻找有趣数据集的第一站。可以直接从UCI机器学习库下载，无需注册
VisualData：分好类的计算机视觉数据集

目前为止：天池、kaggle、uci是个人使用最多的平台

具体数据集

KITTI数据集：The KITTI Vision Benchmark Suite (cvlibs.net)

Cityscapes：Cityscapes Dataset – Semantic Understanding of Urban Street Scenes (cityscapes-dataset.com)

牛津数据集：Datasets (ox.ac.uk)

ApolloScape：Apollo Scape

BDD100K：Berkeley DeepDrive

Waymo Open Dataset：GitHub - waymo-research/waymo-open-dataset: Waymo Open Dataset

nuScenes数据集：https://www.nuscenes.org/download

3D Photography Dataset：(uiuc.edu)

Matterport 3D重建数据集：Capture, share, and collaborate the built world in immersive 3D (matterport.com)

NoW Dataset：(mpg.de)

Pix3D：Pix3D (mit.edu)

Replica Dataset：GitHub - facebookresearch/Replica-Dataset: The Replica Dataset v1 as published in https://arxiv.org/abs/1906.05797 .

Scan2CAD：[GitHub - skanti/Scan2CAD: CVPR'19] Dataset and code used in the research project Scan2CAD: Learning CAD Model Alignment in RGB-D Scans

ScanNet：ScanNet | Richly-annotated 3D Reconstructions of Indoor Scenes (scan-net.org)

NYC3Dcars：NYC3DCars (cornell.edu)

Expressive Hands and Faces：Computer Vision Group - Home (tum.de)

TUM数据集：SMPL-X (mpg.de)

EUROC数据集：[kmavvisualinertialdatasets – ASL Datasets (ethz.ch)

医疗医学影像数据集

肺结节数据库LIDC-IDRI：LIDC-IDRI - The Cancer Imaging Archive (TCIA) Public Access - Cancer Imaging Archive Wiki

乳腺图像数据库DDSM MIAS：http://deckard.mc.duke.edu/ddsm_sql/book1.html

医学图像问答：Medical Image Format FAQ

ISBI：Challenges - Grand Challenge

github：https://github.com/linhandev/dataset

MIMIC-III：MIT计算生理学实验室的公开数据集，标记了约40000名重症监护患者的健康数据，包括人口统计学、生命体征、实验室测试、药物等维度。

图片

Labelme：带注释的大型图像数据集。

ImageNet：大家熟悉的ImageNet，女神李飞飞参与创建，同名比赛影响整个计算机视觉界。

LSUN：场景理解与许多辅助任务（房间布局估计，显著性性预测等）

MS COCO：同样也是知名计算机视觉数据集，同名比赛每年都被中国人屠榜。

COIL 100：100个不同的物体在360度旋转的每个角度成像。

视觉基因组：非常详细的视觉知识库。

谷歌开放图像：在知识共享下的900万个图像网址集合“已经注释了超过6000个类别的标签”。

野外标记面：13000张人脸标记图像，可以用于开发涉及面部识别的应用程序。

斯坦福狗子数据集：20580张狗子的图片，包括120个不同品种。

室内场景识别：包含67个室内类别，15620个图像。

情绪分析

多域情绪分析数据集：一个稍老一点的数据集，用到了来自亚马逊的产品评论。

IMDB评论：用于二元情绪分类的数据集，不过也有点老、有点小，有大约25000个电影评论。

斯坦福情绪树库：带有情感注释的标准情绪数据集。

Sentiment140：一个流行的数据集，它使用160,000条预先删除表情符号的推文。

Twitter美国航空公司情绪：2015年2月美国航空公司的Twitter数据，分类为正面，负面和中性推文。

自然语言处理NLP

HotspotQA数据集：具有自然、多跳问题的问答数据集，具有支持事实的强大监督，以实现更易于解释的问答系统。

安然数据集：来自安然高级管理层的电子邮件数据。

亚马逊评论：包含18年来亚马逊上的大约3500万条评论，数据包括产品和用户信息，评级和文本审核。

Google Books Ngrams：Google Books中的一系列文字。

Blogger Corpus：收集了来自blogger.com的681,288篇博文，每篇博文至少包含200个常用英语单词。

维基百科链接数据：维基百科的全文，包含来自400多万篇文章的近19亿个单词，可以按段落、短语或段落本身的一部分进行搜索。

Gutenberg电子书列表：Gutenberg项目中带注释的电子书书单。

Hansards加拿大议会文本：来自第36届加拿大议会记录的130万组文本。

Jeopardy：来自问答节目Jeopardy的超过200,000个问题的归档。

英文垃圾短信收集：由5574条英文垃圾短信组成的数据集。

Yelp评论：Yelp，就是美国的“大众点评”，这是他们发布的一个开放数据集，包含超过500万条评论。

UCI的Spambase：一个大型垃圾邮件数据集，对垃圾邮件过滤非常有用。

自动驾驶

Berkeley DeepDrive BDD100k：目前最大的自动驾驶数据集，包含超过100,000个视频，其中包括一天中不同时段和天气条件下超过1,100小时的驾驶体验。其中带注释的图像来自纽约和旧金山地区。

百度Apolloscapes：度娘的大型数据集，定义了26种不同物体，如汽车、自行车、行人、建筑物、路灯等。

Comma.ai：超过7小时的高速公路驾驶，细节包括汽车的速度、加速度、转向角和GPS坐标。

牛津的机器人汽车：这个数据集来自牛津的机器人汽车，它于一年时间内在英国牛津的同一条路上，反反复复跑了超过100次，捕捉了天气、交通和行人的不同组合，以及建筑和道路工程等长期变化。

城市景观数据集：一个大型数据集，记录50个不同城市的城市街景。

CSSAD数据集：此数据集对于自动驾驶车辆的感知和导航非常有用。不过，数据集严重偏向发达国家的道路。

KUL比利时交通标志数据集：来自比利时法兰德斯地区数以千计的实体交通标志的超过10000条注释。

MIT AGE Lab：在AgeLab收集的1,000多小时多传感器驾驶数据集的样本。

LISA：UC圣迭戈智能和安全汽车实验室的数据集，包括交通标志、车辆检测、交通信号灯和轨迹模式。

博世小交通灯数据集：用于深度学习的小型交通灯的数据集。

LaRa交通灯识别：巴黎的交通信号灯数据集。

WPI数据集：交通灯、行人和车道检测的数据集。

公共政府数据集

Data.gov：该网站可以从多个美国政府机构下载数据，包括各种奇怪的数据，从政府预算到考试分数都有。不过，其中大部分数据需要进一步研究。

食物环境地图集：本地食材如何影响美国饮食的数据。

学校财务系统：美国学校财务系统的调查。

慢性病数据：美国各地区慢性病指标数据。

美国国家教育统计中心：教育机构和教育人口统计数据，不仅有美国的数据，也有一些世界上其他地方的数据。

英国数据服务：英国最大的社会、经济和人口数据集。

数据美国：全面可视化的美国公共数据。

中国国家统计局：http://www.stats.gov.cn/

往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑机器学习交流qq群955171419，加入微信群请扫码