dataset

Uma lista coletiva de APIs gratuitas

Label Studio é uma ferramenta de rotulagem e anotação de dados multitipo com formato de saída padronizado

Dataset de fitness com 1.324 exercícios — GIFs animados, miniaturas 180×180, dados de grupos musculares e equipamentos, e instruções passo a passo em 6 idiomas. A camada de dados de exercícios por trás do aplicativo LogPress.

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

Computer Vision Annotation Tool (CVAT) é uma plataforma líder para a criação de conjuntos de dados visuais de alta qualidade para visão computacional. Oferece produtos de código aberto, em nuvem e corporativos, além de serviços de rotulagem para anotação de imagem, vídeo e 3D com auxílio de IA, garantia de qualidade, colaboração em equipe, análise e APIs para desenvolvedores.

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

Uma ferramenta poderosa para criar datasets para fine-tuning de LLM, RAG e avaliação.

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

Técnicas de deep learning com imagens de satélite e aéreas

Corpus de larga escala para processamento de linguagem natural em chinês

Dados de compatibilidade de navegadores para tecnologias Web conforme exibidos no MDN.

Awesome Pretrained Chinese NLP Models: uma coleção de modelos de pré-treinamento, grandes modelos, modelos multimodais e grandes modelos de linguagem em chinês de alta qualidade.

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

esProc SPL é uma linguagem de programação baseada em JVM projetada para computação de dados estruturados, servindo tanto como ferramenta de análise de dados quanto como mecanismo de computação embarcado.

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

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

Converta facilmente grandes conjuntos de URLs de imagens em um dataset de imagens. Pode baixar, redimensionar e empacotar 100 milhões de URLs em 20 horas em uma única máquina.

Corpus de nomes chineses. Gerador de nomes. Inclui nomes chineses, sobrenomes, prenomes, formas de tratamento, nomes japoneses e nomes traduzidos. Pode ser usado para segmentação de palavras em chinês e reconhecimento de entidades nomeadas.

SQL Translator é uma ferramenta para converter consultas em linguagem natural em código SQL usando inteligência artificial. Este projeto é 100% gratuito e de código aberto.

Benchmark de Avaliação de Compreensão da Língua Chinesa (CLUE): datasets, baselines, modelos pré-treinados, corpus e placar de líderes

O maior banco de dados e coleção de artigos sobre detecção de defeitos industriais, resumindo constantemente conjuntos de dados open source e pesquisas críticas na área.

CSGHub é uma nova plataforma de código aberto para gerenciar LLMs, desenvolvida pela equipe OpenCSG. 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 o Hugging Face. Junte-se a nós! ⭐️

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

Um gerador de dados sintéticos para reconhecimento de texto.

Um índice para conjuntos de dados de imagens médicas

Strings até 100x mais rápidas para C, C++, CUDA, Python, Rust, Swift, JS e Go, aproveitando NEON, AVX2, AVX-512, SVE, GPGPU e SWAR para acelerar buscas, hashing, ordenação, distâncias de edição, sketches e operações de memória 🦖

Waymo Open Dataset

Extraia dados de uma ampla gama de fontes da Internet para um DataFrame do pandas

Lista extensa de nomes de cores selecionados manualmente

Uma biblioteca de registro de dados de código aberto para modelos de machine learning e pipelines de dados. 📚 Fornece visibilidade sobre a qualidade dos dados e o desempenho do modelo ao longo do tempo. 🛡️ Suporta coleta de dados com preservação de privacidade, garantindo segurança e robustez. 📈