代码收藏家技术教程 2022-07-20

深度学习机器学习数据集资源汇总

寻找一个好用的数据集需要注意一下几点：

数据集不混乱，否则要花费大量时间来清理数据。
数据集不应包含太多行或列，否则会难以使用。
数据越干净越好，清理大型数据集可能非常耗时。
应该预设一个有趣的问题，而这个问题又可以用数据来回答。

目前个人认为较好的数据集网站主要有：
数据集网站
1.AI Studio数据集：开放数据集-百度AI Studio – 人工智能学习与实训社区
2.天池数据集：数据集-阿里系唯一对外开放数据分享平台
3.Papers With Code数据集：Machine Learning Datasets | Papers With Code
4.Kaggle 数据集：Find Open Datasets and Machine Learning Projects | Kaggle爱竞赛的盆友们应该很熟悉了，Kaggle上有各种有趣的数据集，拉面评级、篮球数据、甚至西雅图的宠物许可证。
5.Graviti Open Datasets：公开数据集下载，优质机器学习数据集，图像识别、NLP免费获取 | 格物钛，非结构化数据平台
6.Huggingface数据集：Hugging Face – The AI community building the future.
7.CLUE 数据集：https://www.cluebenchmarks.com/dataSet_search.html
8.各领域机器学习数据集汇总（附下载地址）
9.UCI机器学习库：最古老的数据集源之一，是寻找有趣数据集的第一站。虽然数据集是用户贡献的，因此具有不同的清洁度，但绝大多数都是干净的，可以直接从UCI机器学习库下载，无需注册。
10.VisualData：分好类的计算机视觉数据集，可以搜索~
具体数据集：
KITTI数据集：The KITTI Vision Benchmark Suite (cvlibs.net)
Cityscapes：Cityscapes Dataset – Semantic Understanding of Urban Street Scenes (cityscapes-dataset.com)
牛津数据集：[Datasets (ox.ac.uk)](https://robotcar-dataset.robots.ox.ac.uk/datasets/)
ApolloScape：[Apollo Scape](http://apolloscape.auto/)
BDD100K：Berkeley DeepDrive
Waymo Open Dataset：GitHub – waymo-research/waymo-open-dataset: Waymo Open Dataset
nuScenes数据集：https://www.nuscenes.org/download
3D Photography Dataset：(uiuc.edu)
Matterport 3D重建数据集：[Capture, share, and collaborate the built world in immersive 3D (matterport.com)](https://matterport.com/)
NoW Dataset：(mpg.de)
Pix3D：[Pix3D (mit.edu)](http://pix3d.csail.mit.edu/)
Replica Dataset：GitHub – facebookresearch/Replica-Dataset: The Replica Dataset v1 as published in https://arxiv.org/abs/1906.05797 .
Scan2CAD：[GitHub – skanti/Scan2CAD: CVPR'19] Dataset and code used in the research project Scan2CAD: Learning CAD Model Alignment in RGB-D Scans
ScanNet：[ScanNet | Richly-annotated 3D Reconstructions of Indoor Scenes (scan-net.org)](http://www.scan-net.org/)
NYC3Dcars：[NYC3DCars (cornell.edu)](http://nyc3d.cs.cornell.edu/)
Expressive Hands and Faces：[Computer Vision Group – Home (tum.de)](https://vision.in.tum.de/)
TUM数据集：[SMPL-X (mpg.de)](https://smpl-x.is.tue.mpg.de/)
EUROC数据集：[kmavvisualinertialdatasets – ASL Datasets (ethz.ch)](https://projects.asl.ethz.ch/datasets/doku.php?id=kmavvisualinertialdatasets)

补充医疗图像：
肺结节数据库LIDC-IDRI：LIDC-IDRI – The Cancer Imaging Archive (TCIA) Public Access – Cancer Imaging Archive Wiki
乳腺图像数据库DDSM MIAS：http://deckard.mc.duke.edu/ddsm_sql/book1.html
医学图像问答：Medical Image Format FAQ
ISBI：Challenges – Grand Challenge

补充：多模态数据集汇总链接：
多模态分析数据集（Multimodal Dataset）整理 – 知乎
补充我记录的一些链接：
工业数据集汇总：开源工业缺陷数据集汇总，持续更新中（已更新28个） – 知乎医疗数据集汇总：GitHub – linhandev/dataset: 医学影像数据集列表 1、Kaggle竞赛数据集 2、自然语言处理 3、图像数据 4、推荐系统 5、金融 6、交通 7、商业 8、医疗健康 9、视频数据 10、音频数据 11、文本、评价、回答数据集合 12、科研 13、其他数据集综合汇总：各领域近千条数据集公开，你要的这里都有 – 知乎激光雷达数据集汇总：汇总|基于激光雷达的3D目标检测开源项目&数据集 – 知乎知乎相关数据集汇总：整理了一下关于知乎的公开数据集（欢迎评论补充） – 知乎图论相关数据集汇总：图数据集分享 – 知乎各领域公开数据集汇总（金融，医疗，nlp，图像等等）：各领域公开数据集下载 – 知乎各类数据集汇总：GitHub – awesomedata/awesome-public-datasets: A topic-centric list of HQ open datasets.
机器学习具体方向领域数据集
图片
Labelme：带注释的大型图像数据集。
ImageNet：大家熟悉的ImageNet，女神李飞飞参与创建，同名比赛影响整个计算机视觉界。
LSUN：场景理解与许多辅助任务（房间布局估计，显着性预测等）
MS COCO：同样也是知名计算机视觉数据集，同名比赛每年都被中国人屠榜。
COIL 100：100个不同的物体在360度旋转的每个角度成像。
视觉基因组：非常详细的视觉知识库。
谷歌开放图像：在知识共享下的900万个图像网址集合“已经注释了超过6000个类别的标签”。
野外标记面：13000张人脸标记图像，可以用于开发涉及面部识别的应用程序。
斯坦福狗子数据集：20580张狗子的图片，包括120个不同品种。
室内场景识别：包含67个室内类别，15620个图像。
情绪分析
多域情绪分析数据集：一个稍老一点的数据集，用到了来自亚马逊的产品评论。
IMDB评论：用于二元情绪分类的数据集，不过也有点老、有点小，有大约25000个电影评论。
斯坦福情绪树库：带有情感注释的标准情绪数据集。
Sentiment140：一个流行的数据集，它使用160,000条预先删除表情符号的推文。
Twitter美国航空公司情绪：2015年2月美国航空公司的Twitter数据，分类为正面，负面和中性推文。
自然语言处理
HotspotQA数据集：具有自然、多跳问题的问答数据集，具有支持事实的强大监督，以实现更易于解释的问答系统。
安然数据集：来自安然高级管理层的电子邮件数据。
亚马逊评论：包含18年来亚马逊上的大约3500万条评论，数据包括产品和用户信息，评级和文本审核。
Google Books Ngrams：Google Books中的一系列文字。
Blogger Corpus：收集了来自blogger.com的681,288篇博文，每篇博文至少包含200个常用英语单词。
维基百科链接数据：维基百科的全文，包含来自400多万篇文章的近19亿个单词，可以按段落、短语或段落本身的一部分进行搜索。
Gutenberg电子书列表：Gutenberg项目中带注释的电子书书单。
Hansards加拿大议会文本：来自第36届加拿大议会记录的130万组文本。
Jeopardy：来自问答节目Jeopardy的超过200,000个问题的归档。
英文垃圾短信收集：由5574条英文垃圾短信组成的数据集。
Yelp评论：Yelp，就是美国的“大众点评”，这是他们发布的一个开放数据集，包含超过500万条评论。
UCI的Spambase：一个大型垃圾邮件数据集，对垃圾邮件过滤非常有用。
自动驾驶
Berkeley DeepDrive BDD100k：目前最大的自动驾驶数据集，包含超过100,000个视频，其中包括一天中不同时段和天气条件下超过1,100小时的驾驶体验。其中带注释的图像来自纽约和旧金山地区。
百度Apolloscapes：度娘的大型数据集，定义了26种不同物体，如汽车、自行车、行人、建筑物、路灯等。
Comma.ai：超过7小时的高速公路驾驶，细节包括汽车的速度、加速度、转向角和GPS坐标。
牛津的机器人汽车：这个数据集来自牛津的机器人汽车，它于一年时间内在英国牛津的同一条路上，反反复复跑了超过100次，捕捉了天气、交通和行人的不同组合，以及建筑和道路工程等长期变化。
城市景观数据集：一个大型数据集，记录50个不同城市的城市街景。
CSSAD数据集：此数据集对于自动驾驶车辆的感知和导航非常有用。不过，数据集严重偏向发达国家的道路。
KUL比利时交通标志数据集：来自比利时法兰德斯地区数以千计的实体交通标志的超过10000条注释。
MIT AGE Lab：在AgeLab收集的1,000多小时多传感器驾驶数据集的样本。
LISA：UC圣迭戈智能和安全汽车实验室的数据集，包括交通标志、车辆检测、交通信号灯和轨迹模式。
博世小交通灯数据集：用于深度学习的小型交通灯的数据集。
LaRa交通灯识别：巴黎的交通信号灯数据集。
WPI数据集：交通灯、行人和车道检测的数据集。
临床
MIMIC-III：MIT计算生理学实验室的公开数据集，标记了约40000名重症监护患者的健康数据，包括人口统计学、生命体征、实验室测试、药物等维度。
一般数据集
除了机器学习专用的数据集，还有一些其他的一般数据集，可能很有趣~
公共政府数据集
Data.gov：该网站可以从多个美国政府机构下载数据，包括各种奇怪的数据，从政府预算到考试分数都有。不过，其中大部分数据需要进一步研究。
食物环境地图集：本地食材如何影响美国饮食的数据。
学校财务系统：美国学校财务系统的调查。
慢性病数据：美国各地区慢性病指标数据。
美国国家教育统计中心：教育机构和教育人口统计数据，不仅有美国的数据，也有一些世界上其他地方的数据。
英国数据服务：英国最大的社会、经济和人口数据集。
数据美国：全面可视化的美国公共数据。
补充一句，我国国家统计局其实也不错：国家统计局。
金融与经济
Quandl：经济和金融数据的良好来源，有助于建立预测经济指标或股票价格的模型。
世界银行开放数据：全球人口统计数据，还有大量经济和发展指标的数据集。
国际货币基金组织数据：国际货币基金组织公布的有关国际金融，债务利率，外汇储备，商品价格和投资的数据。
金融时报市场数据：来自世界各地的金融市场的最新信息，包括股票价格指数，商品和外汇。
Google Trends：世界各地的互联网搜索行为和热门新闻报道的数据。
美国经济协会：美国宏观经济数据。

……..待补充，会继续更新奥！