Datensätze
Hochwertige Open-Source-Trainingsdatensätze für KI
Hugging-Face-Datensatzsammlung
Der größte Open-Source-Dataset-Hub im Web, betrieben von Hugging Face. Er umfasst NLP, Computer Vision, Audio und multimodale Aufgaben mit Hunderttausenden Community-beigesteuerten Datensätzen und effizienten Streaming- und Lade-Tools. Ob Textklassifikations-Benchmarks, Bild-Text-Paare oder Speech-to-Text-Korpora – hier findest du hochwertige Trainingsdaten.
Kaggle-Datensatzplattform
Kaggle hostet Zehntausende öffentlicher Datensätze aus ML-Wettbewerben, realen Geschäftsproblemen und akademischer Forschung. Alle Datensätze sind über integrierte Notebooks online analysierbar und können für lokale Experimente und Modelltraining direkt heruntergeladen werden.
Papers-with-Code-Datensätze
Papers with Code verknüpft Benchmark-Datensätze aus wissenschaftlichen Papern mit ihren jeweiligen State-of-the-Art-Modellen und Open-Source-Implementierungen, um Methoden zu vergleichen, Ergebnisse zu reproduzieren und die richtige Dataset- und Code-Basis für die Forschung zu finden.
Google Datensatzsuche
Google Dataset Search ist eine spezialisierte Suchmaschine, die öffentliche Datensätze aus Tausenden von Quellen indexiert und Forschern sowie Entwicklern ermöglicht, schnell die benötigten Daten für Training, Analyse oder Validierung zu finden — unabhängig vom Hosting-Standort.
Common-Crawl-Webkorpus
Common Crawl ist ein offenes Web-Crawl-Korpus im Petabyte-Maßstab, das als grundlegende Pre-Training-Datenquelle für viele große Sprachmodelle dient. Das Korpus ist frei herunterladbar und wird umfassend in NLP-Forschung, Data-Mining und großangelegten ML-Experimenten verwendet.
LAION Open Multimodal Datasets
LAION (Large-Scale Artificial Intelligence Open Network) bietet riesige offene Bild-Text-Datensätze, die umfassend zum Training multimodaler Modelle wie CLIP und Stable Diffusion verwendet wurden. Die Datensätze sind frei verfügbar und dienen als wichtige Infrastruktur für die Open-Source-Forschung im Bereich generativer KI.
UCI Machine Learning Repository
Das UCI Machine Learning Repository ist eine klassische Sammlung von Hunderten strukturierter Datensätze, die seit den späten 1990er Jahren gepflegt wird und weltweit für Praxisübungen, Algorithmus-Benchmarking und die Lehre grundlegender ML-Konzepte in akademischen Kursen verwendet wird.
The Stack: Quellcode-Datensatz
The Stack ist ein großer, permissiv lizenzierter Quellcode-Datensatz des BigCode-Projekts, der Hunderte Programmiersprachen abdeckt. Er wird umfassend zum Vortrainieren und Evaluieren von Code-Modellen verwendet und bietet Opt-out-Mechanismen sowie Deduplizierungs-Tools für verantwortungsvolle Datenpraxis.
ImageNet
ImageNet ist ein wegweisender großskaliger Bilddatensatz mit Millionen gelabelter Bilder in Tausenden Kategorien. Er trieb über den ILSVRC-Benchmark-Wettbewerb die Deep-Learning-Revolution in der Computer Vision an und bleibt grundlegend für Pre-Training, Transfer Learning und die Evaluierung von Bildklassifikationsmodellen.
Alpaca-Cleaned
Alpaca-Cleaned ist ein Datensatz für Sprachmodellierung von yahma auf Hugging Face.
Alpaca CoT
Alpaca CoT ist ein offener Datensatz für Chinesisch von QingyiSi auf Hugging Face.
Alpaca
Alpaca ist ein Datensatz für Sprachmodellierung von tatsu-lab auf Hugging Face.
Bad Prompt
Bad Prompt ist ein offener Datensatz von Nerfgun3 auf Hugging Face.
c4
c4 ist ein Datensatz für Sprachmodellierung (mehrsprachig) von allenai auf Hugging Face.
Chinese DeepSeek R1 Distill data 110k
Chinese DeepSeek R1 Distill data 110k ist ein Datensatz für Sprachmodellierung für Chinesisch von Congliu auf Hugging Face.
COIG CQIA
COIG CQIA ist ein Datensatz für Frage-Antwort-Aufgaben für Chinesisch von m-a-p auf Hugging Face.
Cosmopedia
Cosmopedia ist ein offener Datensatz von HuggingFaceTB auf Hugging Face.
CulturaX
CulturaX ist ein Datensatz für Sprachmodellierung (mehrsprachig) von uonlp auf Hugging Face.
Databricks Dolly 15k
Databricks Dolly 15k ist ein Datensatz für Frage-Antwort-Aufgaben von databricks auf Hugging Face.
DiffusionDB
DiffusionDB ist ein Datensatz für Image Captioning von poloclub auf Hugging Face.
Dolma
Dolma ist ein Datensatz für Sprachmodellierung von allenai auf Hugging Face.
EasyNegative
EasyNegative ist ein offener Datensatz von gsdf auf Hugging Face.
Falcon RefinedWeb
Falcon RefinedWeb ist ein Datensatz für Sprachmodellierung von tiiuae auf Hugging Face.
📄 FinePDFs
📄 FinePDFs ist ein Datensatz für Sprachmodellierung von HuggingFaceFW auf Hugging Face.
FineWeb
FineWeb ist ein Datensatz für Sprachmodellierung von HuggingFaceFW auf Hugging Face.
🥂 FineWeb 2
🥂 FineWeb 2 ist ein Datensatz für Sprachmodellierung von HuggingFaceFW auf Hugging Face.
FineWeb-Edu
FineWeb-Edu ist ein Datensatz für Sprachmodellierung von HuggingFaceFW auf Hugging Face.
GAIA
GAIA ist ein offener Datensatz von gaia-benchmark auf Hugging Face.
GLUE (General Language Understanding Evaluation benchmark)
GLUE (General Language Understanding Evaluation benchmark) ist ein Datensatz für Textklassifizierung von nyu-mll auf Hugging Face.
Grade School Math 8K
Grade School Math 8K ist ein Datensatz für Sprachmodellierung von openai auf Hugging Face.
Hh Rlhf
Hh Rlhf ist ein offener Datensatz von Anthropic auf Hugging Face.
hle
hle ist ein offener Datensatz von cais auf Hugging Face.
ImageNet
ImageNet ist ein Datensatz für Bildklassifizierung von ILSVRC auf Hugging Face.
IMDB
IMDB ist ein Datensatz für Textklassifizierung von stanfordnlp auf Hugging Face.
Infinity Instruct
Infinity Instruct ist ein Datensatz für Sprachmodellierung für Chinesisch von BAAI auf Hugging Face.
Internship Warehouse
Internship Warehouse ist ein offener Datensatz von FlyRank auf Hugging Face.
Llama Nemotron Post Training Dataset
Llama Nemotron Post Training Dataset ist ein offener Datensatz von nvidia auf Hugging Face.
LLaVA Instruct 150K
LLaVA Instruct 150K ist ein Datensatz für Frage-Antwort-Aufgaben von liuhaotian auf Hugging Face.
Lmsys Chat 1m
Lmsys Chat 1m ist ein offener Datensatz von lmsys auf Hugging Face.
medical o1 reasoning SFT
medical o1 reasoning SFT ist ein Datensatz für Frage-Antwort-Aufgaben für Chinesisch von FreedomIntelligence auf Hugging Face.
Medical Prescription English Audio Dataset
Medical Prescription English Audio Dataset ist ein offener Datensatz von HumynLabs auf Hugging Face.
Measuring Massive Multitask Language Understanding
Measuring Massive Multitask Language Understanding ist ein Datensatz für Frage-Antwort-Aufgaben von cais auf Hugging Face.
MNBVC
MNBVC ist ein Datensatz für Sprachmodellierung für Chinesisch von liwu auf Hugging Face.
NuminaMath CoT
NuminaMath CoT ist ein Datensatz für Sprachmodellierung von AI-MO auf Hugging Face.
OpenAssistant Conversations
OpenAssistant Conversations ist ein offener Datensatz (mehrsprachig) von OpenAssistant auf Hugging Face.
OpenHermes 2.5
OpenHermes 2.5 ist ein offener Datensatz von teknium auf Hugging Face.
OpenOrca
OpenOrca ist ein Datensatz für Textklassifizierung von Open-Orca auf Hugging Face.
OpenR1 Math 220k
OpenR1 Math 220k ist ein offener Datensatz von open-r1 auf Hugging Face.
OpenThoughts 114k
OpenThoughts 114k ist ein offener Datensatz von open-thoughts auf Hugging Face.
Opus 4.6 Reasoning 3000x filtered
Opus 4.6 Reasoning 3000x filtered ist ein offener Datensatz von nohurry auf Hugging Face.
PersonaHub
PersonaHub ist ein Datensatz für Sprachmodellierung für Chinesisch von proj-persona auf Hugging Face.
PhysicalAI Autonomous Vehicles
PhysicalAI Autonomous Vehicles ist ein offener Datensatz von nvidia auf Hugging Face.
Prompts.chat
Prompts.chat ist ein Datensatz für Frage-Antwort-Aufgaben von fka auf Hugging Face.
RedPajama Data 1T
RedPajama Data 1T ist ein Datensatz für Sprachmodellierung von togethercomputer auf Hugging Face.
ShareGPT Vicuna unfiltered
ShareGPT Vicuna unfiltered ist ein offener Datensatz von anon8231489123 auf Hugging Face.
SQuAD
SQuAD ist ein Datensatz für Frage-Antwort-Aufgaben von rajpurkar auf Hugging Face.
Synthetic Text To Sql
Synthetic Text To Sql ist ein Datensatz für Frage-Antwort-Aufgaben von gretelai auf Hugging Face.
The-Stack-v2
The-Stack-v2 ist ein Datensatz für Sprachmodellierung von bigcode auf Hugging Face.
TinyStories
TinyStories ist ein Datensatz für Sprachmodellierung von roneneldan auf Hugging Face.
UltraChat 200k
UltraChat 200k ist ein Datensatz für Sprachmodellierung von HuggingFaceH4 auf Hugging Face.
+ 1,766 more — ALLE ANZEIGEN →