您还未登录! 登录 | 注册 | 帮助  

您的位置: 首页 > 软件开发专栏 > 开发技术 > 正文

这是一份非常全面的开源数据集,你,真的不想要吗?

发表于:2018-09-05 作者:机器之心编译 来源:机器之心

近期,skymind.ai 发布了一份非常全面的开源数据集。内容包括生物识别、自然图像以及深度学习图像等数据集,现将其整理如下:(内附链接哦~)

最近新增数据集

  • 开源生物识别数据:http://openbiometrics.org/
  • Google Audioset:扩展了 632 个音频分类样本,并从 YouTube 视频中提取了 2,084,320 个人类标记的 10 秒声音片段。
  • 地址:https://research.google.com/audioset/
  • Uber 2B trip data:首次展示 2 百万公里的出行数据。
  • 地址:https://movement.uber.com/cities
  • Yelp Open Dataset:Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。
  • 地址:https://www.yelp.com/dataset
  • Core50:用于连续目标识别的新数据集和基准。
  • 地址:https://vlomonaco.github.io/core50/
  • Kaggle 数据集:https://www.kaggle.com/datasets
  • Data Portal:http://dataportals.org/
  • Open Data Monitor:https://opendatamonitor.eu/
  • Quandl Data Portal:https://www.quandl.com/
  • Mut1ny 头部/面部分割数据集:http://www.mut1ny.com/face-headsegmentation-dataset
  • Github 上的优秀公共数据集:https://www.kdnuggets.com/2015/04/awesome-public-datasets-github.html
  • 头部 CT 扫描数据集:491 次扫描的 CQ500 数据集。
  • 地址:http://headctstudy.qure.ai/

自然图像数据集

  • MNIST:手写数字图像。最常用的可用性检查。格式 25x25、居中、黑白手写数字。这是一项简单的任务——仅某部分适用于 MNIST,不意味着它有效。
  • 地址:http://yann.lecun.com/exdb/mnist/
  • CIFAR10 / CIFAR100:32x32 彩色图像,10/100 类。虽然仍有趣却不再常用的可用性检查。
  • 地址:http://www.cs.utoronto.ca/~kriz/cifar.html
  • Caltech 101:101 类物体的图片。
  • 地址:http://www.vision.caltech.edu/Image_Datasets/Caltech101/
  • Caltech 256:256 类物体的图片。
  • 地址:http://www.vision.caltech.edu/Image_Datasets/Caltech256/
  • STL-10 数据集:用于开发无监督特征学习、深度学习、自学习算法的图像识别数据集。像修改过的 CIFAR-10。
  • 地址:http://cs.stanford.edu/~acoates/stl10/
  • The Street View House Numbers (SVHN):Google 街景中的门牌号码。可以把它想象成复现的户外 MNIST。
  • 地址:http://ufldl.stanford.edu/housenumbers/
  • NORB:玩具摆件在各种照明和姿势下的双目图像。
  • 地址:http://www.cs.nyu.edu/~ylclab/data/norb-v1.0/
  • Pascal VOC:通用图像分割/分类——对于构建真实世界图像注释不是非常有用,但对基线很有用。
  • 地址:http://pascallin.ecs.soton.ac.uk/challenges/VOC/
  • Labelme:带注释图像的大型数据集。
  • 地址:http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php
  • ImageNet:新算法的客观图像数据集(de-facto image dataset)。许多图像 API 公司都有来自其 REST 接口的标签,这些标签近 1000 类;WordNet; ImageNet 的层次结构。
  • 地址:http://image-net.org/
  • LSUN:具有很多辅助任务的场景理解(房间布局估计,显著性预测(saliency prediction)等),有关联竞赛。(associated competition)。
  • 地址:http://lsun.cs.princeton.edu/2016/
  • MS COCO:通用图像理解/说明,有关联竞赛。
  • 地址:http://mscoco.org/
  • COIL 20:不同物体在 360 度旋转中以每个角度成像。
  • 地址:http://www.cs.columbia.edu/CAVE/software/softlib/coil-20.php
  • COIL100:不同物体在 360 度旋转中以每个角度成像。
  • 地址:http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php
  • Google 开源图像:有 900 万张图像的网址集合,这些图像通过知识共享(Creative Commons)被标注成 6000 多个类别。
  • 地址:https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

地理空间数据

  • OpenStreetMap:免费提供整个星球的矢量数据。它包含(旧版)美国人口普查局的数据。
  • 地址:http://wiki.openstreetmap.org/wiki/Planet.osm
  • Landsat8:整个地球表面的卫星视角图,每隔几周更新一次。
  • 地址:https://landsat.usgs.gov/landsat-8
  • NEXRAD:美国大气层的多普勒雷达扫描图。
  • 地址: https://www.ncdc.noaa.gov/data-access/radar-data/nexrad

————————我是深度学习图像的分割线————————

人工数据集

  • Arcade Universe:一个人工数据集生成器,图像包含街机游戏 sprite,如 tetris pentomino / tetromino。该生成器基于 O. Breleux 的 bugland 数据集生成器。
  • 地址:https://github.com/caglar/Arcade-Universe
  • 以 Baby AI School 为灵感的数据集集合。
  • 地址:http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAISchool
  • Baby AI Shapes Dataset:区分 3 种简单形状。
  • 地址:http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAIShapesDatasets
  • Baby AI Image And Question Dataset:一个问题-图像-答案数据集。
  • 地址:http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BabyAIImageAndQuestionDatasets
  • Deep Vs Shallow Comparison ICML2007:为实证评估深层架构而生成的数据集。
  • 地址:http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/DeepVsShallowComparisonICML2007
  • MnistVariations:在 MNIST 中引入受控变化。
  • 地址:http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/MnistVariations
  • RectanglesData:区分宽矩形和垂直矩形。
  • 地址:http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/RectanglesData
  • ConvexNonConvex:区分凸形和非凸形状。
  • 地址:http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/ConvexNonConvex
  • BackgroundCorrelation:嘈杂 MNIST 背景下相关度的控制
  • 地址:http://www.iro.umontreal.ca/~lisa/twiki/bin/view.cgi/Public/BackgroundCorrelation

人脸数据集

  • Labelled Faces in the Wild:13000 个经过裁剪的人脸区域(使用已经用名称标识符标记过的 Viola-Jones)。数据集中每个人员的子集里包含两个图像——人们常用此数据集训练面部匹配系统。
  • 地址:http://vis-www.cs.umass.edu/lfw/
  • UMD Faces:有 8501 个主题的 367,920 个面孔的带注释数据集。
  • 地址:http://www.umdfaces.io/
  • CASIA WebFace:超过 10,575 个人经面部检测的 453,453 张图像的面部数据集。需要一些质量过滤。
  • 地址:http://www.cbsr.ia.ac.cn/english/CASIA-WebFace-Database.html
  • MS-Celeb-1M:100 万张全世界的名人图片。需要一些过滤才能在深层网络上获得最佳结果。
  • 地址:https://www.microsoft.com/en-us/research/project/ms-celeb-1m-challenge-recognizing-one-million-celebrities-real-world/
  • Olivetti:一些人类的不同图像。
  • 地址:http://www.cs.nyu.edu/~roweis/data.html
  • Multi-Pie:The CMU Multi-PIE Face 数据库。
  • 地址:http://www.multipie.org/
  • Face-in-Action:http://www.flintbox.com/public/project/5486/
  • JACFEE:日本和白种人面部情绪表达的图像。
  • 地址:http://www.humintell.com/jacfee/
  • FERET:面部识别技术数据库。
  • 地址:http://www.itl.nist.gov/iad/humanid/feret/feret_master.html
  • mmifacedb:MMI 面部表情数据库。
  • 地址:http://www.mmifacedb.com/
  • IndianFaceDatabase:http://vis-www.cs.umass.edu/~vidit/IndianFaceDatabase/
  • 耶鲁人脸数据库:http://vision.ucsd.edu/content/yale-face-database
  • 耶鲁人脸数据库 B:http://vision.ucsd.edu/~leekc/ExtYaleDatabase/ExtYaleB.html
  • Mut1ny 头部/面部分割数据集:像素超过 16K 的面部/头部分割图像
  • 地址:http://www.mut1ny.com/face-headsegmentation-dataset

————————我是深度学习视频的分割线————————

视频数据集

  • Youtube-8M:用于视频理解研究的大型多样化标记视频数据集。
  • 地址:https://research.googleblog.com/2016/09/announcing-youtube-8m-large-and-diverse.html

文本数据集

  • 20 newsgroups:分类任务,将出现的单词映射到新闻组 ID。用于文本分类的经典数据集之一,通常可用作纯分类的基准或任何 IR /索引算法的验证。
  • 地址:http://qwone.com/~jason/20Newsgroups/
  • 路透社新闻数据集:(较旧)纯粹基于分类的数据集,包含来自新闻专线的文本。常用于教程。
  • 地址:https://archive.ics.uci.edu/ml/datasets/Reuters-21578+Text+Categorization+Collection
  • 宾州树库:用于下一个单词或字符预测。
  • 地址:http://www.cis.upenn.edu/~treebank/
  • UCI‘s Spambase:来自著名的 UCI 机器学习库的(旧版)经典垃圾邮件数据集。根据数据集的组织细节,可以将它作为学习私人垃圾邮件过滤的基线。
  • 地址:https://archive.ics.uci.edu/ml/datasets/Spambase
  • Broadcast News:大型文本数据集,通常用于下一个单词预测。
  • 地址:http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC97S44
  • 文本分类数据集:来自 Zhang et al., 2015。用于文本分类的八个数据集合集。这些是用于新文本分类基线的基准。样本大小从 120K 至 3.6M 不等,范围从二进制到 14 个分类问题。数据集来自 DBPedia、亚马逊、Yelp、Yahoo!和 AG。
  • 地址:https://drive.google.com/drive/u/0/folders/0Bz8a_Dbh9Qhbfll6bVpmNUtUcFdjYmF2SEpmZUZUcVNiMUw1TWN6RDV3a0JHT3kxLVhVR2M
  • WikiText:来自维基百科高质量文章的大型语言建模语料库,由 Salesforce MetaMind 策划。
  • 地址:http://metamind.io/research/the-wikitext-long-term-dependency-language-modeling-dataset/
  • SQuAD:斯坦福问答数据集——应用广泛的问答和阅读理解数据集,其中每个问题的答案都以文本形式呈现。
  • 地址:https://rajpurkar.github.io/SQuAD-explorer/
  • Billion Words 数据集:一种大型通用语言建模数据集。通常用于训练分布式单词表征,如 word2vec。
  • 地址:http://www.statmt.org/lm-benchmark/
  • Common Crawl:网络的字节级抓取——最常用于学习单词嵌入。可从 Amazon S3 上免费获取。也可以用作网络数据集,因为它可在万维网进行抓取。
  • 地址:http://commoncrawl.org/the-data/
  • Google Books Ngrams:来自 Google book 的连续字符。当单词首次被广泛使用时,提供一种简单的方法来探索。
  • 地址:https://aws.amazon.com/datasets/google-books-ngrams/
  • Yelp 开源数据集:Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。
  • 地址:https://www.yelp.com/dataset

————————我是深度学习文本的分割线————————

问答数据集

  • Maluuba News QA 数据集:CNN 新闻文章中的 12 万个问答对。
  • 地址:https://datasets.maluuba.com/NewsQA
  • Quora 问答对:Quora 发布的第一个数据集,包含重复/语义相似性标签。
  • 地址:https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs
  • CMU Q / A 数据集:手动生成的仿真问/答对,维基百科文章对其难度评分很高。
  • 地址:http://www.cs.cmu.edu/~ark/QA-data/
  • Maluuba 面向目标的对话:程序性对话数据集,对话旨在完成任务或做出决定。常用于聊天机器人。
  • 地址:https://datasets.maluuba.com/Frames
  • bAbi:来自 Facebook AI Research(FAIR)的综合阅读理解和问答数据集。
  • 地址:https://research.fb.com/projects/babi/
  • The Children’s Book Test:Project Gutenberg 提供的儿童图书中提取的(问题+背景、答案)对的基线。用于问答(阅读理解)和仿真查找。
  • 地址:http://www.thespermwhale.com/jaseweston/babi/CBTest.tgz

情感数据集

  • 多领域情绪分析数据集:较旧的学术数据集。
  • 地址:http://www.cs.jhu.edu/~mdredze/datasets/sentiment/
  • IMDB:用于二元情感分类的较旧、较小数据集。对文献中的基准测试无法支持更大的数据集。
  • 地址:http://ai.stanford.edu/~amaas/data/sentiment/
  • Stanford Sentiment Treebank:标准情感数据集,在每个句子解析树的每个节点都有细粒度的情感注释。
  • 地址:http://nlp.stanford.edu/sentiment/code.html

推荐和排名系统

  • Movielens:来自 Movielens 网站的电影评分数据集,各类大小都有。
  • 地址:https://grouplens.org/datasets/movielens/
  • Million Song 数据集:Kaggle 上元数据丰富的大型开源数据集,可以帮助人们使用混合推荐系统。
  • 地址:https://www.kaggle.com/c/msdchallenge
  • Last.fm:音乐推荐数据集,可访问深层社交网络和其它可用于混合系统的元数据。
  • 地址:http://grouplens.org/datasets/hetrec-2011/
  • Book-Crossing 数据集:来自 Book-Crossing 社区。包含 278,858 位用户提供的约 271,379 本书的 1,149,780 个评分。
  • 地址:http://www.informatik.uni-freiburg.de/~cziegler/BX/
  • Jester:来自 73,421 名用户对 100 个笑话的 410 万个连续评分(分数从-10 至 10)。
  • 地址:http://www.ieor.berkeley.edu/~goldberg/jester-data/
  • Netflix Prize:Netflix 发布了他们的电影评级数据集的匿名版;包含 480,000 名用户对 17,770 部电影的 1 亿个评分。首个主要的 Kaggle 风格数据挑战。随着隐私问题的出现,只能提供非正式版。
  • 地址:http://www.netflixprize.com/

————————我是深度学习图表的分割线————————

网络和图形

  • Amazon Co-Purchasing:亚马逊评论从「购买此产品的用户也购买了……」这一部分抓取数据,以及亚马逊相关产品的评论数据。适合在网络中试行推荐系统。
  • 地址:http://snap.stanford.edu/data/#amazon
  • Friendster 社交网络数据集:在变成游戏网站之前,Friendster 以朋友列表的形式为 103,750,348 名用户发布了匿名数据。
  • 地址:https://archive.org/details/friendster-dataset-201107

语音数据集

  • 2000 HUB5 English:最近在 Deep Speech 论文中使用的英语语音数据,从百度获取。
  • 地址:https://catalog.ldc.upenn.edu/LDC2002T43
  • LibriSpeech:包含文本和语音的有声读物数据集。由多个朗读者阅读的近 500 小时的各种有声读物演讲内容组成,包含带有文本和语音的章节。
  • 地址:http://www.openslr.org/12/
  • VoxForge:带口音的清晰英语语音数据集。适用于提升不同口音或语调鲁棒性的案例。
  • 地址:http://www.voxforge.org/
  • TIMIT:英语语音识别数据集。
  • 地址:https://catalog.ldc.upenn.edu/LDC93S1
  • CHIME:嘈杂的语音识别挑战数据集。数据集包含真实、仿真和干净的录音。真实录音由 4 个扬声器在 4 个嘈杂位置的近 9000 个录音构成,仿真录音由多个语音环境和清晰的无噪声录音结合而成。
  • 地址:http://spandh.dcs.shef.ac.uk/chime_challenge/data.html
  • TED-LIUM:TED 演讲的音频转录。1495 个 TED 演讲录音以及这些录音的文字转录。
  • 地址:http://www-lium.univ-lemans.fr/en/content/ted-lium-corpus

————————我是深度学习音频的分割线————————

音符音乐数据集

  • Piano-midi.de: 古典钢琴曲
  • 地址:http://www.piano-midi.de/
  • Nottingham : 超过 1000 首民谣
  • 地址:http://abc.sourceforge.net/NMD/
  • MuseData: 古典音乐评分的电子图书馆
  • 地址:http://musedata.stanford.edu/
  • JSB Chorales: 四部协奏曲
  • 地址:http://www.jsbchorales.net/index.shtml

其它数据集

  • CMU 动作抓取数据集:http://mocap.cs.cmu.edu/
  • Brodatz dataset:纹理建模。
  • 地址:http://www.ux.uis.no/~tranden/brodatz.html
  • 来自欧洲核子研究中心的大型强子对撞机(LHC)的 300TB 高质量数据。
  • 地址:http://opendata.cern.ch/search?ln=en&p=Run2011A+AND+collection:CMS-Primary-Datasets+OR+collection:CMS-Simulated-Datasets+OR+collection:CMS-Derived-Datasets
  • 纽约出租车数据集:由 FOIA 请求而获得的纽约出租车数据,导致隐私问题。
  • 地址:http://www.nyc.gov/html/tlc/html/about/trip_record_data.shtml
  • Uber FOIL 数据集:来自 Uber FOIL 请求的纽约 4.5M 拾取数据。
  • 地址:https://github.com/fivethirtyeight/uber-tlc-foil-response
  • Criteo 点击量数据集:来自欧盟重新定位的大型互联网广告数据集。
  • 地址:http://research.criteo.com/outreach/

健康 &生物数据

  • 欧盟传染病监测图集:http://ecdc.europa.eu/en/data-tools/atlas/Pages/atlas.aspx
  • 默克分子活动挑战:http://www.kaggle.com/c/MerckActivity/data
  • Musk dataset: Musk dataset 描述了以不同构造出现的分子。每个分子都是 musk 或 non-musk,且其中一个构造决定了这一特性。
  • 地址:https://archive.ics.uci.edu/ml/datasets/Musk+(Version+2)

政府&统计数据

  • Data USA: 最全面的可视化美国公共数据。
  • 地址:http://datausa.io/
  • 欧盟性别统计数据库:http://eige.europa.eu/gender-statistics
  • 荷兰国家地质研究数据 :http://www.nationaalgeoregister.nl/geonetwork/srv/dut/search#fast=index&from=1&to=50&any_OR_geokeyword_OR_title_OR_keyword=landinrichting*&relation=within
  • 联合国开发计划署项目:http://open.undp.org/#2016