Jeux de données
Jeux de données d’entraînement IA open source de haute qualité
Collection de jeux de données sur les visages d’étreintes
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.
Articles avec ensembles de données de 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 de toile de crawl courant
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.
Le jeu de données du code source de la pile
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
yahma/alpaca-cleaned is a community dataset on Hugging Face with 876 likes and 24,234 recent downloads.
Alpaca CoT
QingyiSi/Alpaca-CoT is a community dataset on Hugging Face with 786 likes and 9,743 recent downloads.
alpaca
tatsu-lab/alpaca is a community dataset on Hugging Face with 1104 likes and 119,254 recent downloads.
bad prompt
Nerfgun3/bad_prompt is a community dataset on Hugging Face with 963 likes and 1,957 recent downloads.
c4
allenai/c4 is a community dataset on Hugging Face with 643 likes and 1,282,773 recent downloads.
Chinese DeepSeek R1 Distill data 110k
Congliu/Chinese-DeepSeek-R1-Distill-data-110k is a community dataset on Hugging Face with 781 likes and 1,087 recent downloads.
COIG CQIA
m-a-p/COIG-CQIA is a community dataset on Hugging Face with 768 likes and 27,976 recent downloads.
cosmopedia
HuggingFaceTB/cosmopedia is a community dataset on Hugging Face with 742 likes and 26,991 recent downloads.
CulturaX
uonlp/CulturaX is a community dataset on Hugging Face with 674 likes and 18,353 recent downloads.
databricks dolly 15k
databricks/databricks-dolly-15k is a community dataset on Hugging Face with 1084 likes and 63,630 recent downloads.
diffusiondb
poloclub/diffusiondb is a community dataset on Hugging Face with 653 likes and 13,093 recent downloads.
dolma
allenai/dolma is a community dataset on Hugging Face with 1074 likes and 2,784 recent downloads.
EasyNegative
gsdf/EasyNegative is a community dataset on Hugging Face with 1212 likes and 27,637 recent downloads.
falcon refinedweb
tiiuae/falcon-refinedweb is a community dataset on Hugging Face with 953 likes and 82,020 recent downloads.
finepdfs
HuggingFaceFW/finepdfs is a community dataset on Hugging Face with 928 likes and 52,686 recent downloads.
fineweb
HuggingFaceFW/fineweb is a community dataset on Hugging Face with 3287 likes and 429,372 recent downloads.
fineweb 2
HuggingFaceFW/fineweb-2 is a community dataset on Hugging Face with 864 likes and 92,367 recent downloads.
fineweb edu
HuggingFaceFW/fineweb-edu is a community dataset on Hugging Face with 1272 likes and 405,910 recent downloads.
GAIA
gaia-benchmark/GAIA is a community dataset on Hugging Face with 783 likes and 10,260 recent downloads.
glue
nyu-mll/glue is a community dataset on Hugging Face with 730 likes and 784,661 recent downloads.
gsm8k
openai/gsm8k is a community dataset on Hugging Face with 1593 likes and 1,235,950 recent downloads.
hh rlhf
Anthropic/hh-rlhf is a community dataset on Hugging Face with 2010 likes and 39,057 recent downloads.
hle
cais/hle is a community dataset on Hugging Face with 948 likes and 40,101 recent downloads.
imagenet 1k
ILSVRC/imagenet-1k is a community dataset on Hugging Face with 896 likes and 114,854 recent downloads.
imdb
stanfordnlp/imdb is a community dataset on Hugging Face with 699 likes and 189,340 recent downloads.
Infinity Instruct
BAAI/Infinity-Instruct is a community dataset on Hugging Face with 756 likes and 3,673 recent downloads.
internship warehouse
FlyRank/internship-warehouse is a community dataset on Hugging Face with 588 likes and 18,716 recent downloads.
Llama Nemotron Post Training Dataset
nvidia/Llama-Nemotron-Post-Training-Dataset is a community dataset on Hugging Face with 700 likes and 7,276 recent downloads.
LLaVA Instruct 150K
liuhaotian/LLaVA-Instruct-150K is a community dataset on Hugging Face with 635 likes and 5,676 recent downloads.
lmsys chat 1m
lmsys/lmsys-chat-1m is a community dataset on Hugging Face with 984 likes and 6,496 recent downloads.
medical o1 reasoning SFT
FreedomIntelligence/medical-o1-reasoning-SFT is a community dataset on Hugging Face with 1176 likes and 17,355 recent downloads.
medical prescription english audio
HumynLabs/medical-prescription-english-audio is a community dataset on Hugging Face with 716 likes and 152 recent downloads.
mmlu
cais/mmlu is a community dataset on Hugging Face with 826 likes and 714,868 recent downloads.
MNBVC
liwu/MNBVC is a community dataset on Hugging Face with 652 likes and 99,676 recent downloads.
NuminaMath CoT
AI-MO/NuminaMath-CoT is a community dataset on Hugging Face with 599 likes and 161,288 recent downloads.
oasst1
OpenAssistant/oasst1 is a community dataset on Hugging Face with 1567 likes and 30,179 recent downloads.
OpenHermes 2.5
teknium/OpenHermes-2.5 is a community dataset on Hugging Face with 896 likes and 32,526 recent downloads.
OpenOrca
Open-Orca/OpenOrca is a community dataset on Hugging Face with 1589 likes and 25,012 recent downloads.
OpenR1 Math 220k
open-r1/OpenR1-Math-220k is a community dataset on Hugging Face with 787 likes and 126,715 recent downloads.
OpenThoughts 114k
open-thoughts/OpenThoughts-114k is a community dataset on Hugging Face with 907 likes and 110,694 recent downloads.
Opus 4.6 Reasoning 3000x filtered
nohurry/Opus-4.6-Reasoning-3000x-filtered is a community dataset on Hugging Face with 648 likes and 586 recent downloads.
PersonaHub
proj-persona/PersonaHub is a community dataset on Hugging Face with 797 likes and 11,476 recent downloads.
PhysicalAI Autonomous Vehicles
nvidia/PhysicalAI-Autonomous-Vehicles is a community dataset on Hugging Face with 1003 likes and 208,205 recent downloads.
prompts.chat
fka/prompts.chat is a community dataset on Hugging Face with 9815 likes and 25,078 recent downloads.
RedPajama Data 1T
togethercomputer/RedPajama-Data-1T is a community dataset on Hugging Face with 1190 likes and 2,094 recent downloads.
ShareGPT Vicuna unfiltered
anon8231489123/ShareGPT_Vicuna_unfiltered is a community dataset on Hugging Face with 915 likes and 419,677 recent downloads.
squad
rajpurkar/squad is a community dataset on Hugging Face with 709 likes and 265,395 recent downloads.
synthetic text to sql
gretelai/synthetic_text_to_sql is a community dataset on Hugging Face with 691 likes and 2,938 recent downloads.
the stack v2
bigcode/the-stack-v2 is a community dataset on Hugging Face with 624 likes and 5,758 recent downloads.
TinyStories
roneneldan/TinyStories is a community dataset on Hugging Face with 1140 likes and 84,980 recent downloads.
ultrachat 200k
HuggingFaceH4/ultrachat_200k is a community dataset on Hugging Face with 885 likes and 112,449 recent downloads.
+ 948 more — TOUT VOIR →