目录
寻找一个好用的数据集需要注意一下几点：
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。
目前个人认为较好的数据集网站主要有：
数据集网站
1.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
2.天池数据集：数据集-阿里系唯一对外开放数据分享平台
3.Papers With Code数据集：Machine Learning Datasets | Papers With Code
4.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。
5.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
6.Huggingface数据集：Hugging Face – The AI community building the future.
7.CLUE 数据集：https://www.cluebenchmarks.com/dataSet_search.html
9.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。虽然数据集是用户贡献的，因此具有不同的清洁度，但绝大多数都是干净的，可以直接从UCI机器学习库下载，无需注册。
10.VisualData：分好类的计算机视觉数据集，可以搜索~
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)](https://robotcar-dataset.robots.ox.ac.uk/datasets/)
ApolloScape：[Apollo Scape](http://apolloscape.auto/)
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)](https://matterport.com/)
NoW Dataset：(mpg.de)
Pix3D：[Pix3D (mit.edu)](http://pix3d.csail.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
NYC3Dcars：[NYC3DCars (cornell.edu)](http://nyc3d.cs.cornell.edu/)
Expressive Hands and Faces：[Computer Vision Group - Home (tum.de)](https://vision.in.tum.de/)
TUM数据集：[SMPL-X (mpg.de)](https://smpl-x.is.tue.mpg.de/)
补充医疗图像：
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
补充：多模态数据集汇总链接：
多模态分析数据集（Multimodal Dataset）整理 - 知乎
补充我记录的一些链接：
-
工业数据集汇总：开源工业缺陷数据集汇总，持续更新中（已更新28个） - 知乎
-
1、Kaggle竞赛数据集 2、自然语言处理 3、图像数据 4、推荐系统 5、金融 6、交通 7、商业 8、医疗健康 9、视频数据 10、音频数据 11、文本、评价、回答数据集合 12、科研 13、其他数据集综合 汇总：各领域近千条数据集公开，你要的这里都有 - 知乎
-
激光雷达数据集汇总：汇总|基于激光雷达的3D目标检测开源项目&数据集 - 知乎
-
知乎相关数据集汇总：整理了一下关于知乎的公开数据集（欢迎评论补充） - 知乎
-
图论相关数据集汇总：图数据集分享 - 知乎
-
各领域公开数据集汇总（金融，医疗，nlp，图像等等）：各领域公开数据集下载 - 知乎
-
各类数据集汇总：GitHub - awesomedata/awesome-public-datasets: A topic-centric list of HQ open datasets.
机器学习具体方向领域数据集
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，显着性预测等）
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
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。
临床
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。
一般数据集
除了机器学习专用的数据集，还有一些其他的一般数据集，可能很有趣~
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。
补充一句，我国国家统计局其实也不错：国家统计局。
金融与经济
Quandl：经济和金融数据的良好来源，有助于建立预测经济指标或股票价格的模型。
世界银行开放数据：全球人口统计数据，还有大量经济和发展指标的数据集。
国际货币基金组织数据：国际货币基金组织公布的有关国际金融，债务利率，外汇储备，商品价格和投资的数据。
金融时报市场数据：来自世界各地的金融市场的最新信息，包括股票价格指数，商品和外汇。
Google Trends：世界各地的互联网搜索行为和热门新闻报道的数据。
美国经济协会：美国宏观经济数据。
........待补充，会继续更新奥！
这些数据集应该能满足大部分人的需求。
我倡议大家不要无脑搬运数据集，最好是搬一个数据集配套一个项目，优化社区生态，我们共同努力！ヾ(≧∇≦*)ゝ
2022-09-20 再次更新：
先直接上一个大boss：谷歌的
Dataset Searchdatasetsearch.research.google.com/
同时，留一些链接记录一些数据集网址集合：
Best Public Datasets for Machine Learning and Data Science
Index of Complex Networks（支持条件筛选）
toreopsahl.com 数据集 （种类较多）
Stanford Large Network Dataset Collection
Network data sets
以下为详细的数据集：
Enron Email（邮件数据集）
DBLP数据集（论文合作关系）
Cora（引文网络）
Citeseer （引文网络）
Social Spammer （垃圾邮件数据集）
Astro Physics collaboration network（合作网络）
Hypertext 2009 Contact Network（会议与会者接近程度数据集）
SFHH （会议与会者接近程度数据集）
Citation Network Dataset（引文网络）
Patent citation network （专利引用网络）
Online Social Networks（Flickr、LiveJournal、Orkut、YouTube）— 含Group
扫一扫
3956
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
