📊

Datasets

Conjuntos de datos de entrenamiento de IA de código abierto y alta calidad

Colección de conjuntos de datos de Hugging Face

El mayor hub de datasets open source de la web, alojado por Hugging Face. Abarca tareas de NLP, visión por computador, audio y multimodales, con cientos de miles de datasets contribuidos por la comunidad y utilidades eficientes de streaming y carga. Ya sea que necesites benchmarks de clasificación de texto, pares imagen-texto o corpus de voz a texto, esta es la infraestructura de referencia para conseguir datos de calidad.

ReseñaGratisConjunto de datosIntermedioConjuntos de datosCara de abrazo

Hugging FaceActualizado 30 jun 2026

4.8

Plataforma de Conjuntos de Datos Kaggle

Kaggle aloja decenas de miles de datasets públicos que abarcan competiciones de machine learning, problemas empresariales reales e investigación académica. Todos están disponibles para análisis en línea mediante notebooks integrados y pueden descargarse para experimentación local y entrenamiento de modelos.

ReseñaGratisConjunto de datosPrincipianteKaggleConjuntos de datos

KaggleActualizado 18 jun 2026

4.7

Datasets de Papers with Code

Papers with Code enlaza datasets de referencia de papers académicos con sus modelos de última generación y implementaciones de código abierto, facilitando comparar métodos, reproducir resultados y encontrar el dataset y baseline de código adecuados para tu investigación.

ReseñaGratisConjunto de datosIntermedioConjuntos de datosArtículos

Papers with CodeActualizado 20 jun 2026

4.5

Búsqueda de Conjuntos de Datos en Google

Google Dataset Search es un buscador especializado que indexa datasets públicos de miles de fuentes, permitiendo a investigadores y desarrolladores localizar rápidamente los datos que necesitan para entrenamiento, análisis o validación, sin importar dónde estén alojados.

ReseñaGratisConjunto de datosPrincipianteGoogleConjuntos de datos

GoogleActualizado 22 jun 2026

4.6

Corpus web Common Crawl

Common Crawl es un corpus abierto de rastreo web a escala de petabytes que sirve como fuente de datos fundamental para el preentrenamiento de muchos modelos de lenguaje grandes. El corpus está disponible para descarga gratuita y se usa ampliamente en investigación NLP, minería de datos y experimentos de ML a gran escala.

ReseñaGratisConjunto de datosAvanzadoArrastre comúnPre-entrenamiento

Common CrawlActualizado 12 jun 2026

4.5

Conjuntos de datos multimodales abiertos LAION

LAION (Large-Scale Artificial Intelligence Open Network) ofrece enormes datasets abiertos de pares imagen-texto utilizados ampliamente para entrenar modelos multimodales como CLIP y Stable Diffusion. Los datasets son de acceso libre y constituyen infraestructura clave para la investigación en IA generativa abierta.

ReseñaGratisConjunto de datosAvanzadoLAIONMultimodal

LAIONActualizado 16 jun 2026

4.4

Repositorio de Aprendizaje Automático UCI

El UCI Machine Learning Repository es una colección clásica de cientos de datasets estructurados mantenida desde finales de los años 90, ampliamente usada para práctica, benchmarking de algoritmos y enseñanza de conceptos fundamentales de machine learning en cursos académicos de todo el mundo.

ReseñaGratisConjunto de datosPrincipianteUCIConjuntos de datos

UC IrvineActualizado 10 jun 2026

4.5

The Stack: conjunto de datos de código fuente

The Stack es un gran dataset de código fuente con licencias permisivas del proyecto BigCode, que cubre cientos de lenguajes de programación. Se usa ampliamente para preentrenar y evaluar modelos de generación de código, e incluye mecanismos de opt-out y herramientas de deduplicación para prácticas de datos responsables.

ReseñaGratisConjunto de datosAvanzadoLa StackCódigo

BigCodeActualizado 22 jun 2026

4.7

ImageNet

ImageNet es un dataset de imágenes histórico a gran escala con millones de imágenes etiquetadas en miles de categorías. Impulsó la revolución del deep learning en visión por computador mediante la competición ILSVRC y sigue siendo fundamental para preentrenamiento, transfer learning y evaluación de modelos de clasificación.

ReseñaGratisConjunto de datosIntermedioImageNetVisión por Ordenador

Datasets

Colección de conjuntos de datos de Hugging Face

Plataforma de Conjuntos de Datos Kaggle

Datasets de Papers with Code

Búsqueda de Conjuntos de Datos en Google

Corpus web Common Crawl

Conjuntos de datos multimodales abiertos LAION

Repositorio de Aprendizaje Automático UCI

The Stack: conjunto de datos de código fuente

ImageNet

Alpaca-Cleaned

Alpaca CoT

Alpaca

Bad Prompt

c4

Chinese DeepSeek R1 Distill data 110k

COIG CQIA

Cosmopedia

CulturaX

Databricks Dolly 15k

DiffusionDB

Dolma

EasyNegative

Falcon RefinedWeb

📄 FinePDFs

FineWeb

🥂 FineWeb 2

FineWeb-Edu

GAIA

GLUE (General Language Understanding Evaluation benchmark)

Grade School Math 8K

Hh Rlhf

hle

ImageNet

IMDB

Infinity Instruct

Internship Warehouse

Llama Nemotron Post Training Dataset

LLaVA Instruct 150K

Lmsys Chat 1m

medical o1 reasoning SFT

Medical Prescription English Audio Dataset

Measuring Massive Multitask Language Understanding

MNBVC

NuminaMath CoT

OpenAssistant Conversations

OpenHermes 2.5

OpenOrca

OpenR1 Math 220k

OpenThoughts 114k

Opus 4.6 Reasoning 3000x filtered

PersonaHub

PhysicalAI Autonomous Vehicles

Prompts.chat

RedPajama Data 1T

ShareGPT Vicuna unfiltered

SQuAD

Synthetic Text To Sql

The-Stack-v2

TinyStories

UltraChat 200k