Åpne datasett

Oppdag datasett med åpen kildekode som får deg til å trene ML-modeller

Datasett med åpen kildekode for å komme i gang med AI/ML-modeller

Utdataene fra AI- og ML-modellene dine er bare like gode som dataene du bruker for å trene dem – så presisjonen du bruker på dataaggregering og tagging og identifisering av disse dataene er viktig!

Så hvis du ønsker å starte et nytt AI/ML-initiativ og nå innser du raskt at det å finne treningsdata av høy kvalitet vil være en av de mer utfordrende aspektene ved prosjektet ditt, siden høykvalitets datasett er drivstoffet som holder AI/ ML-motor i gang. Vi har samlet en liste over åpne datasett som er gratis å bruke og trene dine AI/ML-modeller for fremtiden.

Spesialisering	Data-type	Datasettnavn	Industri / Avd.	Merknad/brukstilfelle	link
+NLP	tekst	Amazon Anmeldelser	E-handel	Sentiment Analyse	link
Tekniske beskrivelser	Et sett med 35 millioner anmeldelser og vurderinger fra de siste 18 årene i ren tekst med bruker- og produktdetaljer.
+NLP	tekst	Wikipedia lenker data	Informasjon		link
Tekniske beskrivelser	Mer enn 4 millioner artikler som inneholder 1.9 milliarder ord fra Wikipedia. Hver artikkel inneholder hyperlenker til den tilknyttede enheten.
+NLP	tekst	Standford Sentiment Treebank	Entertainment	Sentiment Analyse	link
Tekniske beskrivelser	Datasett med sentimentannotasjoner for over 10 000 setninger fra filmanmeldelser fra Rotten Tomatoes. Tilgjengelig på frasenivå – hver setning analyseres i underfraser ved å binarisere analysetrærne i Penn Treebank-formatet.
+NLP	tekst	Twitter US Airline Sentiment	Flyselskap	Sentiment Analyse	link
Tekniske beskrivelser	Tweetene om US Airlines i 2015 delte seg inn i positive, nøytrale og negative følelser.
+CV	Bilde	Imagenet	Informasjon		link
Tekniske beskrivelser	Datasett med over 14 millioner bilder i forskjellige filformater kartlagt til rundt 21 000 synsett. Synsett er synonymer med tilhørende enheter som vises som et bilde. 1 million bilder har avgrensningsbokser, og mer enn 1 million bilder har SIFT-funksjoner.
+CV	Bilde	Googles åpne bilder	Informasjon		link
Tekniske beskrivelser	Et datasett som ligner på ImageNet med 600 kategorier. Tilgjengelig i utviklings-, validerings- og treningssegmenter. Noen bilder inkluderer også avgrensningsbokser og visuelle relasjoner.
+NLP	tekst	Cornell-filmdialoger	Entertainment	dialoger	link
Tekniske beskrivelser	En samling fiktive samtaler med metadata om karakterer og filmer. Hver rad er en dialog mellom to personer i et spørsmål-svar-format.
Tekniske beskrivelser	Et spørsmål-svar-datasett med spørsmål og svar fra Yahoo Answers-portalen mellom april 2007 og oktober 2007.
+NLP	tekst	MS MARCO	Informasjon	Spørsmål svar	link
Tekniske beskrivelser	Et spørsmål-svar-datasett med merknader fra Bings nettsøklogger. Hvert spørsmål inneholder et svar gitt av en bruker, samt nettpassasjer som inneholder svaret.
+NLP	tekst	Naturlige spørsmålsdatasett	Informasjon	Spørsmål svar	link
Tekniske beskrivelser	Dette datasettet, utgitt av Google, inneholder ekte brukerspørsmål og svar fra Wikipedia-artikler.
+NLP	tekst	DBPedia	Informasjon	Kunnskap Graph	link
Tekniske beskrivelser	En strukturert gjengivelse av Wikipedia, med enheter og relasjoner hentet ut som en kunnskapsgraf.
+NLP	tekst	YAGO	Informasjon	Kunnskap Graph	link
Tekniske beskrivelser	En kunnskapsgraf som inneholder enheter og relasjoner fra Wikipedia, WordNet og GeoNames.
+NLP	tekst	FreeBase	Informasjon	Kunnskap Graph	link
Tekniske beskrivelser	En kunnskapsbase basert på folkemengder bestående av enheter og relasjoner, nå innlemmet i Googles kunnskapsgraf.
+NLP	tekst	Ontonotes	Informasjon	Semantisk rollemerking	link
Tekniske beskrivelser	Et korpus med syntaktiske, semantiske og diskursnivåannoteringer brukt i de delte CoNLL-oppgavene.
Tekniske beskrivelser	Et engelsk datasett annotert for navngitte enheter som person, organisasjon og sted.
+CV	Bilde	COCO	Informasjon	Objektdeteksjon	link
Tekniske beskrivelser	Vanlige objekter i kontekst: et rikt annotert datasett for objektdeteksjon, segmentering og teksting.
+CV	Bilde	PASCAL VOC	Informasjon	Objektdeteksjon	link
Tekniske beskrivelser	Et referansedatasett for utfordringer innen objektdeteksjon og segmentering.
+CV	Bilde	Skyskrapere	Autonom kjøring	Semantisk segmentering	link
Tekniske beskrivelser	Datasett for forståelse av byscener med annoteringer på pikselnivå for 30 klasser.
+CV	Bilde	MNIST	Informasjon	Sifferklassifisering	link
Tekniske beskrivelser	Datasett med håndskrevne sifre med 60 000 treningsbilder og 10 000 testbilder på 28 x 28 piksler.
+CV	Bilde	Mote-MNIST	Detaljhandel	Bildeklassifisering	link
Tekniske beskrivelser	Datasett med Zalandos artikkelbilder i samme format som MNIST, brukt som en drop-in-erstatning for benchmarking.
+NLP	lyd	LibriSpeech	Informasjon	ASR	link
Tekniske beskrivelser	Et korpus av lest engelsk tale hentet fra lydbøker, med 1000 timer med tale og tilhørende tekster.
+NLP	lyd	TED-LIUM	Informasjon	ASR	link
Tekniske beskrivelser	Transkriberte TED-foredrag med lyd og justerte transkripsjoner for forskning på talegjenkjenning.
+NLP	lyd	TIMIT	Informasjon	Fonemgjenkjenning	link
Tekniske beskrivelser	Fonetisk transkribert tale fra amerikansk-engelsktalende, mye brukt til fonemgjenkjenningsoppgaver.
+NLP	lyd	Vanlig stemme	Informasjon	ASR	link
Tekniske beskrivelser	Et flerspråklig korpus av lest tale bidratt av frivillige over hele verden.
+NLP	lyd	VoxCeleb	Informasjon	Høyttalergjenkjenning	link
Tekniske beskrivelser	Et storskala datasett for identifisering av høyttalere samlet fra YouTube-videoer.
+NLP	tekst	Wikipedia-dump	Informasjon	Språkmodellering	link
Tekniske beskrivelser	Fulltekstdumper av Wikipedia-artikler, oppdatert jevnlig, brukt til forhåndstrening av språkmodeller.
+NLP	tekst	Gigaword	Nyheter	Språkmodellering	link
Tekniske beskrivelser	Et omfattende arkiv med nyhetstekstdata fra flere nyhetsbyråer.
+NLP	tekst	IMDB-anmeldelser	Entertainment	Sentiment Analyse	link
Tekniske beskrivelser	Stort datasett for filmanmeldelser for binær sentimentklassifisering.
+CV	Video	Kinetikk-700	Informasjon	Handlingsgjenkjenning	link
Tekniske beskrivelser	Et storskala datasett med YouTube-videoklipp av høy kvalitet som dekker 700 menneskelige handlingsklasser.
+CV	Video	UCF101	Informasjon	Handlingsgjenkjenning	link
Tekniske beskrivelser	Et datasett med realistiske actionvideoer, med 101 actionkategorier.
+CV	Video	HMDB51	Informasjon	Handlingsgjenkjenning	link
Tekniske beskrivelser	En stor database med videoer om menneskelig bevegelse med 51 handlingskategorier.
Tekniske beskrivelser	En database med ansiktsfotografier designet for å studere ubegrenset ansiktsgjenkjenning.
+CV	Bilde	CASIA-WebFace	Informasjon	Face Recognition	link
Tekniske beskrivelser	Et datasett med millioner av ansiktsbilder for trening av modeller for dyp ansiktsgjenkjenning.
+NLP	tekst	SQUAD	Informasjon	Leseforståelse	link
Tekniske beskrivelser	Stanford Question Answering Dataset: spørsmål stilt av crowdworkere om et sett med Wikipedia-artikler.
Tekniske beskrivelser	Et datasett for maskinforståelse med spørsmål og svar basert på CNN-nyhetsartikler.
+NLP	tekst	MultiNLI	Informasjon	Naturlig språkslutning	link
Tekniske beskrivelser	Et datasett for slutning av naturlig språk for setningspar på tvers av flere sjangre.
+NLP	tekst	SNLI	Informasjon	Naturlig språkslutning	link
Tekniske beskrivelser	Stanford Natural Language Inference Corpus med setningspar merket som entailment, motsigelse eller nøytral.
Tekniske beskrivelser	En samling av over 100 millioner tokens hentet fra settet med verifiserte gode og fremhevede artikler på Wikipedia.
Tekniske beskrivelser	Et datasett med 16 185 bilder av 196 bilklasser.
+CV	Bilde	Oxford Blomster 102	Botany	Finkornet klassifisering	link
Tekniske beskrivelser	102 blomsterkategorier som ofte forekommer i Storbritannia.
+CV	Bilde	CIFAR-10	Informasjon	Bildeklassifisering	link
Tekniske beskrivelser	Bilder av 10 klasser: fly, bil, fugl, katt, hjort, hund, frosk, hest, skip og lastebil.
+CV	Bilde	CIFAR-100	Informasjon	Bildeklassifisering	link
Tekniske beskrivelser	Et datasett som ligner på CIFAR-10, men med 100 finkornede klasser.
+CV	Bilde	VOC-personoppsett	Informasjon	Pose Estimering	link
Tekniske beskrivelser	En del av PASCAL VOC med fokus på annoteringer for personlayout som hode, hender og føtter.
+CV	Bilde	MPII Menneskelig positur	Informasjon	Pose Estimering	link
Tekniske beskrivelser	Rundt 25 000 bilder som inneholder over 40 000 personer med kommenterte kroppsledd.
Tekniske beskrivelser	Samling av Reuters-nyhetsartikler for tekstkategoriseringsforskning.
+NLP	tekst	20 nyhetsgrupper	Informasjon	Tekstklassifisering	link
Tekniske beskrivelser	En samling av 20 000 nyhetsgruppedokumenter fordelt på 20 forskjellige nyhetsgrupper.

Åpne datasett

Datasett med åpen kildekode for å komme i gang med AI/ML-modeller

AI-datatjenester

Plattform

Spesialitet

Industri

Ressurser

Selskap

Kontakt oss