Jeux de données
Jeux de données d’entraînement IA open source de haute qualité
Collection de jeux de données Hugging Face
La plus grande plateforme de jeux de données open source du web, hébergée par Hugging Face. Elle couvre les tâches de NLP, vision par ordinateur, audio et multimodales, avec des centaines de milliers de jeux de données communautaires et des utilitaires efficaces de streaming et de chargement. Que vous cherchiez des benchmarks de classification de texte, des paires image-texte ou des corpus parole-texte, c'est l'infrastructure de référence pour des données de qualité.
Plateforme de jeux de données Kaggle
Kaggle héberge des dizaines de milliers de jeux de données publics couvrant les compétitions de machine learning, les problèmes métiers réels et la recherche académique. Tous sont disponibles pour l'analyse en ligne via des notebooks intégrés et téléchargeables pour l'expérimentation locale et l'entraînement de modèles.
Jeux de données Papers with Code
Papers with Code relie les jeux de données de référence d'articles académiques à leurs modèles de pointe et implémentations open source correspondantes, facilitant la comparaison des méthodes, la reproduction des résultats et le choix du bon dataset et baseline pour la recherche.
Recherche de jeux de données Google
Google Dataset Search est un moteur de recherche dédié qui indexe des jeux de données publics à travers des milliers de sources, permettant aux chercheurs et développeurs de localiser rapidement les données dont ils ont besoin pour l'entraînement, l'analyse ou la validation, quel que soit leur hébergement.
Corpus web Common Crawl
Common Crawl est un corpus ouvert de crawl web à l'échelle du pétaoctet qui sert de source de données fondamentale pour le pré-entraînement de nombreux grands modèles de langage. Le corpus est librement téléchargeable et largement utilisé en recherche NLP, en fouille de données et dans les expériences de ML à grande échelle.
Ensembles de données multimodaux ouverts LAION
LAION (Large-Scale Artificial Intelligence Open Network) fournit d'immenses jeux de données ouverts de paires image-texte largement utilisés pour entraîner des modèles multimodaux comme CLIP et Stable Diffusion. Les jeux de données sont librement accessibles et servent d'infrastructure clé pour la recherche en IA générative ouverte.
Dépôt d’apprentissage automatique UCI
Le UCI Machine Learning Repository est une collection classique de centaines de jeux de données structurés maintenus depuis la fin des années 1990, largement utilisés pour la pratique, le benchmarking d'algorithmes et l'enseignement des concepts fondamentaux du machine learning dans les cours académiques du monde entier.
The Stack : jeu de données de code source
The Stack est un grand jeu de données de code source sous licences permissives du projet BigCode, couvrant des centaines de langages de programmation. Il est très utilisé pour pré-entraîner et évaluer les modèles de génération de code, avec des mécanismes d'opt-out et des outils de déduplication pour des pratiques responsables.
ImageNet
ImageNet est un jeu de données d'images historique à grande échelle avec des millions d'images étiquetées en milliers de catégories. Il a alimenté la révolution du deep learning en vision par ordinateur via la compétition ILSVRC et reste fondamental pour le pré-entraînement, le transfer learning et l'évaluation des modèles de classification.
Alpaca-Cleaned
Alpaca-Cleaned est un jeu de données de modélisation de langage de yahma sur Hugging Face.
Alpaca CoT
Alpaca CoT est un jeu de données ouvert en chinois de QingyiSi sur Hugging Face.
Alpaca
Alpaca est un jeu de données de modélisation de langage de tatsu-lab sur Hugging Face.
Bad Prompt
Bad Prompt est un jeu de données ouvert de Nerfgun3 sur Hugging Face.
c4
c4 est un jeu de données de modélisation de langage multilingue de allenai sur Hugging Face.
Chinese DeepSeek R1 Distill data 110k
Chinese DeepSeek R1 Distill data 110k est un jeu de données de modélisation de langage en chinois de Congliu sur Hugging Face.
COIG CQIA
COIG CQIA est un jeu de données de questions-réponses en chinois de m-a-p sur Hugging Face.
Cosmopedia
Cosmopedia est un jeu de données ouvert de HuggingFaceTB sur Hugging Face.
CulturaX
CulturaX est un jeu de données de modélisation de langage multilingue de uonlp sur Hugging Face.
Databricks Dolly 15k
Databricks Dolly 15k est un jeu de données de questions-réponses de databricks sur Hugging Face.
DiffusionDB
DiffusionDB est un jeu de données de description d’images de poloclub sur Hugging Face.
Dolma
Dolma est un jeu de données de modélisation de langage de allenai sur Hugging Face.
EasyNegative
EasyNegative est un jeu de données ouvert de gsdf sur Hugging Face.
Falcon RefinedWeb
Falcon RefinedWeb est un jeu de données de modélisation de langage de tiiuae sur Hugging Face.
📄 FinePDFs
📄 FinePDFs est un jeu de données de modélisation de langage de HuggingFaceFW sur Hugging Face.
FineWeb
FineWeb est un jeu de données de modélisation de langage de HuggingFaceFW sur Hugging Face.
🥂 FineWeb 2
🥂 FineWeb 2 est un jeu de données de modélisation de langage de HuggingFaceFW sur Hugging Face.
FineWeb-Edu
FineWeb-Edu est un jeu de données de modélisation de langage de HuggingFaceFW sur Hugging Face.
GAIA
GAIA est un jeu de données ouvert de gaia-benchmark sur Hugging Face.
GLUE (General Language Understanding Evaluation benchmark)
GLUE (General Language Understanding Evaluation benchmark) est un jeu de données de classification de texte de nyu-mll sur Hugging Face.
Grade School Math 8K
Grade School Math 8K est un jeu de données de modélisation de langage de openai sur Hugging Face.
Hh Rlhf
Hh Rlhf est un jeu de données ouvert de Anthropic sur Hugging Face.
hle
hle est un jeu de données ouvert de cais sur Hugging Face.
ImageNet
ImageNet est un jeu de données de classification d’images de ILSVRC sur Hugging Face.
IMDB
IMDB est un jeu de données de classification de texte de stanfordnlp sur Hugging Face.
Infinity Instruct
Infinity Instruct est un jeu de données de modélisation de langage en chinois de BAAI sur Hugging Face.
Internship Warehouse
Internship Warehouse est un jeu de données ouvert de FlyRank sur Hugging Face.
Llama Nemotron Post Training Dataset
Llama Nemotron Post Training Dataset est un jeu de données ouvert de nvidia sur Hugging Face.
LLaVA Instruct 150K
LLaVA Instruct 150K est un jeu de données de questions-réponses de liuhaotian sur Hugging Face.
Lmsys Chat 1m
Lmsys Chat 1m est un jeu de données ouvert de lmsys sur Hugging Face.
medical o1 reasoning SFT
medical o1 reasoning SFT est un jeu de données de questions-réponses en chinois de FreedomIntelligence sur Hugging Face.
Medical Prescription English Audio Dataset
Medical Prescription English Audio Dataset est un jeu de données ouvert de HumynLabs sur Hugging Face.
Measuring Massive Multitask Language Understanding
Measuring Massive Multitask Language Understanding est un jeu de données de questions-réponses de cais sur Hugging Face.
MNBVC
MNBVC est un jeu de données de modélisation de langage en chinois de liwu sur Hugging Face.
NuminaMath CoT
NuminaMath CoT est un jeu de données de modélisation de langage de AI-MO sur Hugging Face.
OpenAssistant Conversations
OpenAssistant Conversations est un jeu de données ouvert multilingue de OpenAssistant sur Hugging Face.
OpenHermes 2.5
OpenHermes 2.5 est un jeu de données ouvert de teknium sur Hugging Face.
OpenOrca
OpenOrca est un jeu de données de classification de texte de Open-Orca sur Hugging Face.
OpenR1 Math 220k
OpenR1 Math 220k est un jeu de données ouvert de open-r1 sur Hugging Face.
OpenThoughts 114k
OpenThoughts 114k est un jeu de données ouvert de open-thoughts sur Hugging Face.
Opus 4.6 Reasoning 3000x filtered
Opus 4.6 Reasoning 3000x filtered est un jeu de données ouvert de nohurry sur Hugging Face.
PersonaHub
PersonaHub est un jeu de données de modélisation de langage en chinois de proj-persona sur Hugging Face.
PhysicalAI Autonomous Vehicles
PhysicalAI Autonomous Vehicles est un jeu de données ouvert de nvidia sur Hugging Face.
Prompts.chat
Prompts.chat est un jeu de données de questions-réponses de fka sur Hugging Face.
RedPajama Data 1T
RedPajama Data 1T est un jeu de données de modélisation de langage de togethercomputer sur Hugging Face.
ShareGPT Vicuna unfiltered
ShareGPT Vicuna unfiltered est un jeu de données ouvert de anon8231489123 sur Hugging Face.
SQuAD
SQuAD est un jeu de données de questions-réponses de rajpurkar sur Hugging Face.
Synthetic Text To Sql
Synthetic Text To Sql est un jeu de données de questions-réponses de gretelai sur Hugging Face.
The-Stack-v2
The-Stack-v2 est un jeu de données de modélisation de langage de bigcode sur Hugging Face.
TinyStories
TinyStories est un jeu de données de modélisation de langage de roneneldan sur Hugging Face.
UltraChat 200k
UltraChat 200k est un jeu de données de modélisation de langage de HuggingFaceH4 sur Hugging Face.
+ 1,766 more — TOUT VOIR →