dataset

免费 API 的汇总清单

Label Studio 是一款多类型数据标注与注释工具，具标准化输出格式

1,324 练习健身数据集 — 动画 GIF、180×180 缩略图、肌肉群与设备数据，以及 6 种语言的逐步说明。LogPress 应用背后的练习数据层

Faker 是一个用于生成假数据的 Python 包

Computer Vision Annotation Tool（CVAT）是构建高质量视觉数据集的领先平台，支持图像、视频与 3D 标注，提供开源、云端与企业版产品，以及标注服务，具备 AI 辅助标注、质量保证、团队协作、分析与开发者 API。

pix2tex：使用 ViT 将方程式图片转换为 LaTeX 代码

用于创建 LLM 微调、RAG 与评估数据集的强大工具

开源的机器学习标注工具

卫星与航拍影像深度学习技术

大规模中文自然语言处理语料库 Large Scale Chinese Corpus for NLP

MDN 上显示的 Web 技术浏览器兼容性数据

Awesome Pretrained Chinese NLP Models，高质量中文预训练模型、大模型、多模态模型与大语言模型集合。

经过筛选的后训练数据集与工具清单

esProc SPL 是一种基于 JVM 的编程语言，设计用于结构化数据计算，兼具数据分析工具与嵌入式计算引擎功能。

Transformer：PyTorch 实作「Attention Is All You Need」

TFDS 是一套可直接使用于 TensorFlow、Jax 等的资料集集合

轻松将大量图片网址转为图片数据集。可下载、调整尺寸并打包 100M 网址，单机 20 小时完成

中文人名语料库。人名生成器。中文姓名、姓氏、名字、称呼、日本人名、翻译人名、英文人名。可用于中文分词、人名实体识别

SQL Translator 是一个使用人工智能将自然语言查询转换为 SQL 代码的工具。此项目 100% 免费且开源

中文语言理解测评基准 Chinese Language Understanding Evaluation Benchmark：数据集、基线、预训练模型、语料库与排行榜

CSGHub 是一个全新的开源平台，用于管理 LLM，开发者为 OpenCSG 团队。它提供开源与本地/ SaaS 解决方案，功能可与 Hugging Face 相比。完全掌控 LLM、数据集与代理的生命周期，Python SDK 兼容 Hugging Face。加入我们！⭐️

📈 目前最大的工业缺陷检测数据库及论文集，持续整理开源数据集与关键论文，对表面缺陷研究极为重要。

工业异常/瑕疵检测论文与数据集列表（持续更新）

文字识别合成数据生成器

医学影像数据集列表 『An Index for Medical Imaging Datasets』

为 C、C++、CUDA、Python、Rust、Swift、JS 和 Go 提供高达 100 倍速的字符串处理，利用 NEON、AVX2、AVX-512、SVE、GPGPU 和 SWAR 来加速搜索、哈希、排序、编辑距离、sketches 和内存操作 🦖

Waymo 开放数据集。

从各种互联网来源提取数据到 pandas DataFrame。

精心挑选的颜色名称大型列表 🌈

用于机器学习模型和数据管道的开源数据日志库。📚 提供对数据质量和模型长期性能的可见性。🛡️ 支持隐私保护的数据收集，确保安全与鲁棒性。📈