声明:本篇文章转自新智元【资源】最好用的 AI 开源数据集 Top 39:计算机视觉、NLP、语音等 6 大类 ,略有改动。
数据集
【经典】这些是在 AI 领域中非常著名、众所周知的数据集。很少有研究者或工程师没有听说过它们。
【有用】这些是更加接近现实世界的、精心设计的数据集。而且,这些数据集通常在产品和研发两方面都有用。
【学术】这些是在机器学习和 AI 的学术研究中通常作为基准或基线使用的数据集。无论好坏,研究人员都使用这些数据集来验证算法。
【陈旧】这些数据集,无论是否实用,已经有相当长历史了。
【经典、陈旧】CIFAR 10 & CIFAR 100:32x32的彩色图像数据集,虽然已经不常用,但也可以用作完整性检查。
CIFAR 10由60000张32*32的RGB彩色图片组成,其中50000个训练图片,10000个测试图片。共10个类别。
地址:https://www.cs.toronto.edu/~kriz/cifar.html
【有用、学术、经典】ImageNet:新算法实际上使用的图像数据集,很多图像 API 公司从其 REST 接口获取标签,这些标签被怀疑与 ImageNet 的下一级 WordNet 的 1000 个类很相似。
地址:http://image-net.org/
ILSVRC2014:
LSUN:是卧室的自然场景数据集,用于场景理解、GAN等。
地址:http://lsun.cs.princeton.edu/2016/
【学术】PASCAL VOC:一个通用的图像分割/分类数据集,对构建真实图像的注释用处不是特别大,但对于基线很有用。
地址:http://host.robots.ox.ac.uk/pascal/VOC/
MS COCO:一个通用的图像理解/字幕数据集。
地址:http://mscoco.org/
【有用】Visual Genome:非常详细的视觉知识数据集,包含约100K图像的深字母。
地址:http://visualgenome.org/
【学术、经典、陈旧】MNIST:最常用的完整性检查数据集,是28x28的灰度数字图。
地址:http://pjreddie.com/projects/mnist-in-csv/
【学术】SVHN:数据来源于 Google 街景视图中的门牌号。
地址:http://ufldl.stanford.edu/housenumbers/
【有用、学术、经典、陈旧】Labeled Faces in the Wild:使用名称标识符标记的面部区域数据集,常用于训练面部识别系统。
地址:http://vis-www.cs.umass.edu/lfw/
包括126个人的超过4000张图片,主要变化在表情、光照和遮挡。部分图片给出了特征点标记。
地址:http://www2.ece.ohio-state.edu/~aleix/ARdatabase.html
https://personalpages.manchester.ac.uk/staff/timothy.f.cootes/data/xm2vts/xm2vts_markup.html
数据集包含295个人的分四次采集的2360张图片(295*2*4),每次对每个人采集两张图片。
对于人脸的标注有68个点。
XM2VTS图像文件的命名方式为:XXX_Y_Z.ppm,其中XXX为000-371中的数,表示哪个人;Y取值1,2,3,4,表示第几次采集的;Z取值1或者2,表示每次采集时的第几张照片。对应的landmark标记文件的命名方式为XXX_Y_Z.pts。
图像库需要付费下载,但是特征点可以免费获取到。
https://www.bioid.com/About/BioID-Face-Database
23个人的1521张图片,强调实际背景,包含光照、背景及人脸大小的差异。每个人脸标注了20个特征点。
视频数据,可用于目标跟踪算法。
地址:http://alov300pp.joomlafree.it/
目标跟踪比赛
地址:http://www.votchallenge.net/howto/index.html
【有用、学术】WikiText:由 Salesforce MetaMind 设计的大型语言建模语料库,来源于维基百科文章。
地址:http://t.cn/RJDVSRy/
【有用、学术】Billion Words:一个大型、通用的语言建模数据集,常用于如 word2vec 或 Glove 的分布式词语表征。
地址:http://www.statmt.org/lm-benchmark/
【有用、学术】Common Crawl:Petabyte 级规模的网络爬行数据集,常用于学习词嵌入。
地址:http://commoncrawl.org/the-data/
【有用】Question Pairs:第一个来源于 Quora 的包含重复/语义相似性标签的数据集。
地址:https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs
【有用、学术】Text Classification Datasets:一个文本分类数据集,包含8个可用于文本分类的子数据集,样本大小从120K到3.6M,问题范围从2级到14级,数据来源于 DBPedia、Amazon、Yelp、Yahoo!、Sogou 和 AG。
地址:http://t.cn/RJDVxr4
【经典、陈旧】Reuters:一个较旧,完全基于分类的新闻文本数据集,常用于教程。
地址:http://t.cn/RJDfi7T
【经典、陈旧】UCI’s Spambase:这是一个年代较久远的、经典的垃圾电子邮件数据集,来源是著名的 UCI 机器学习库。由于该数据集在设计细节上的独特之处,可以用作学习个性化垃圾邮件过滤的一个有趣的基线。
地址:https://archive.ics.uci.edu/ml/datasets/Spambase
【经典、陈旧】20 Newsgroups:一个文本分类的经典数据集,通常用于纯分类或作为任何 IR/索引算法的基准。
地址:http://qwone.com/~jason/20Newsgroups/
【有用】Question Pairs:第一个来源于 Quora 的包含重复/语义相似性标签的数据集。
地址:https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs
CMU Q/A Dataset:人工生成的问题/答案对,难度评级来自维基百科文章。
地址:http://www.cs.cmu.edu/~ark/QA-data/
【有用、学术】SQuAD:斯坦福大学的问答数据集,广泛用于问题回答和阅读理解,其中每个问题和答案都是文本片段的形式。
地址:https://rajpurkar.github.io/SQuAD-explorer/
【学术、经典】bAbi:来自 FAIR 的阅读理解和问答应答数据集。
地址:https://research.fb.com/projects/babi/
【学术】The Children’s Book Test:从古登堡计划的童书中提取的(问题+上下文,答案)的基线,该数据集对问题回答、阅读理解和模拟陈述有用。
地址:https://research.fb.com/projects/babi/
【有用、学术】SQuAD:斯坦福大学的问答数据集,广泛用于问题回答和阅读理解,其中每个问题和答案都是文本片段的形式。
地址:https://rajpurkar.github.io/SQuAD-explorer/
【学术、经典】bAbi:来自 FAIR 的阅读理解和问答应答数据集。
地址:https://research.fb.com/projects/babi/
【学术】The Children’s Book Test:从古登堡计划的童书中提取的(问题+上下文,答案)的基线,该数据集对问题回答、阅读理解和模拟陈述有用。
地址:https://research.fb.com/projects/babi/
【学术、经典、陈旧】Stanford Sentiment Treebank:一个标准情感数据集,数据集中每个句子解析树的每个节点都有精细的情感注释。
地址:http://nlp.stanford.edu/sentiment/code.html
【经典、陈旧】IMDB:一个比较旧,规模也相对较小的二院情感分类数据集。
地址:http://ai.stanford.edu/~amaas/data/sentiment/
【经典、陈旧】20 Newsgroups:一个文本分类的经典数据集,通常用于纯分类或作为任何 IR/索引算法的基准。
地址:http://qwone.com/~jason/20Newsgroups/
【有用】Maluuba Datasets:用于状态性的自然语言理解研究的人工制作的精细数据集。
地址:https://datasets.maluuba.com/
大多数语音识别数据集是专有的,因为这些数据对于创建该数据集的公司来说具有很大价值。因此,这部分的可用公开数据集多数比较陈旧。
【学术、陈旧】2000 HUB5 English:仅包含英语的语音数据集,百度最近的论文《深度语音:扩展端对端语音识别》使用的是这个数据集。
地址:https://catalog.ldc.upenn.edu/LDC2002T43
【学术】LibriSpeech:包含文本和语音的有声读物数据集,由近500小时的多人朗读的清晰音频组成,且包含书籍的章节结构。
地址:http://www.openslr.org/12/
【有用、学术】VoxForge:带口音的语音清洁数据集,对测试模型在不同重音或语调下的鲁棒性非常有用。
地址:http://www.voxforge.org/
【学术、经典、陈旧】TIMIT:英文语音识别数据集。
地址:https://catalog.ldc.upenn.edu/LDC93S1
【有用】CHIME:包含环境噪音的语音识别挑战赛数据集。该数据集包含真实、模拟和清洁的语音录音,具体来说,包括4个扬声器在4个有噪音环境下进行的将近9000次录音,模拟数据是将多个环境组合及在无噪音环境下记录的数据。
地址:http://spandh.dcs.shef.ac.uk/chime_challenge/data.html
TED-LIUM:TED Talk 的音频数据集,包含1495个TED演讲的录音及全文的文字稿。
地址:http://www-lium.univ-lemans.fr/en/content/ted-lium-corpus
【经典、陈旧】Netflix Challenge:第一个主要的 Kaggle 挑战赛数据集,但由于隐私问题,只有非正式的数据集提供。
地址:http://www.netflixprize.com/
【有用、学术、经典】MovieLens:多种大小的电影评论数据,通常用于基线协同过滤。
地址:https://grouplens.org/datasets/movielens/
Million Song Dataset:Kaggle 上的大型、元数据丰富的开源数据集,对混合推荐系统有用。
地址:https://www.kaggle.com/c/msdchallenge
【有用】Last.fm:可访问底层社交网络及其他元数据的音乐推荐数据集,这些元数据对混合系统很有用。
地址:http://grouplens.org/datasets/hetrec-2011/
【学术】Amazon Co-Purchasing and Amazon Reviews:亚马逊网站的“买了该产品的用户也买了……”板块的数据,以及相关产品的亚马逊评论数据。适合用于推荐系统。
地址:http://snap.stanford.edu/data/amazon-meta.html
Friendster Social Network Dataset:包含103,750,348个 Friendster 用户的好友列表的匿名数据集。
地址:https://archive.org/details/friendster-dataset-201107
【有用、经典】OpenStreetMap:免费许可的全球矢量数据集,包含美国人口普查局的 TIGER数据。
地址:http://wiki.openstreetmap.org/wiki/Planet.osm
【有用】Landsat8:卫星拍摄的地球表面照片数据,每隔几周更新一次。
地址:https://landsat.usgs.gov/landsat-8
【有用】NEXRAD:多普勒雷达扫描的美国大气环境数据。
地址:https://www.ncdc.noaa.gov/data-access/radar-data/nexrad