Kant-en-klare open datasets voor AI/ML

Ontdek open source datasets waarmee u ML-modellen kunt trainen

Open source datasets voor uw AI/ML-modellen

Het vinden van de juiste dataset voor je AI-model hoeft geen weken te duren. De open datasetbibliotheek geeft ML-teams direct toegang tot meer dan 100 zorgvuldig samengestelde, door mensen gevalideerde datasets op het gebied van NLP, computervisie, spraakherkenning en generatieve AI – allemaal gratis te verkennen.

Dus als u een nieuw AI/ML-initiatief wilt starten en u zich nu snel realiseert dat het vinden van hoogwaardige trainingsgegevens een van de meer uitdagende aspecten van uw project zal zijn, aangezien hoogwaardige datasets de brandstof zijn die de AI/ ML-motor loopt. We hebben een lijst met open datasets verzameld die u gratis kunt gebruiken en trainen voor uw AI/ML-modellen van de toekomst.

Specialisatie Dataset voor natuurlijke taalverwerking (NLP) Dataset voor computervisie (CV)

Data type Audio Beeld Tekst Video

Specialisatie	Data type	Dataset naam	Industrie / Afd.	Annotatie/gebruikssituatie	Link
+NLP	Tekst	Amazon beoordelingen	E-commerce	Sentiment analyse	Link
Beschrijving	Een set van 35 Mn beoordelingen en beoordelingen van de afgelopen 18 jaar in platte tekst met gebruikers- en productdetails.
+NLP	Tekst	Wikipedia-linksgegevens	Algemeen		Link
Beschrijving	Meer dan 4 miljoen artikelen met 1.9 miljard woorden van Wikipedia. Elk artikel bevat hyperlinks naar de bijbehorende entiteit.
+NLP	Tekst	Standford Sentiment Boombank	Entertainment	Sentiment analyse	Link
Beschrijving	Dataset met sentimentannotaties voor meer dan 10,000 zinnen uit de filmrecensie van Rotten Tomatoes. Beschikbaar op zinsdeelniveau - elke zin wordt geparseerd in subzinnen door de parse-bomen te binariseren in het Penn Treebank-formaat.
+NLP	Tekst	Twitter US Airline-sentiment	vliegmaatschappij	Sentiment analyse	Link
Beschrijving	Tweets over US Airlines waren in 2015 verdeeld in positieve, neutrale en negatieve sentimenten.
+CV	Beeld	Beeldnet	Algemeen		Link
Beschrijving	Dataset met meer dan 14 miljoen afbeeldingen in verschillende bestandsformaten, toegewezen aan ongeveer 21,000 synsets. Synsets zijn synoniemen met bijbehorende entiteiten die als afbeelding aanwezig zijn. 1 miljoen afbeeldingen heeft een begrenzend kader en meer dan 1 miljoen afbeeldingen hebben SIFT-functies.
+CV	Beeld	Google's Open Afbeeldingen	Algemeen		Link
Beschrijving	Een dataset vergelijkbaar met ImageNet met 600 categorieën. Beschikbaar in ontwikkelings-, validatie- en trainingsindelingen. Sommige afbeeldingen bevatten ook omkaderingskaders en visuele relaties.
+NLP	Tekst	Cornell-filmdialogen	Entertainment	dialogen	Link
Beschrijving	Een verzameling fictieve gesprekken, met metadata van personages en films. Elke rij is een dialoog tussen twee personen, in een vraag-antwoordvorm.
Beschrijving	Een vraag-antwoorddataset met vragen en antwoorden van het Yahoo Answers-portaal tussen april 2007 en oktober 2007.
+NLP	Tekst	MEVROUW MARCO	Algemeen	Vraag beantwoorden	Link
Beschrijving	Een dataset met vraag-antwoorden en annotaties uit de webzoeklogboeken van Bing. Elke vraag bevat een antwoord van een gebruiker, evenals webpassages die het antwoord bevatten.
+NLP	Tekst	Natuurlijke vragen dataset	Algemeen	Vraag beantwoorden	Link
Beschrijving	Deze door Google vrijgegeven dataset bevat echte gebruikersvragen en antwoorden uit Wikipedia-artikelen.
+NLP	Tekst	DBPedia	Algemeen	Kennis Grafiek	Link
Beschrijving	Een gestructureerde weergave van Wikipedia, waarbij entiteiten en relaties zijn geëxtraheerd als een Knowledge Graph.
+NLP	Tekst	YAGO	Algemeen	Kennis Grafiek	Link
Beschrijving	Een kennisgrafiek met entiteiten en relaties uit Wikipedia, WordNet en GeoNames.
+NLP	Tekst	FreeBase	Algemeen	Kennis Grafiek	Link
Beschrijving	Een crowd-sourced kennisbank bestaande uit entiteiten en relaties, nu opgenomen in Google Knowledge Graph.
+NLP	Tekst	Ontonotes	Algemeen	Semantische rollabeling	Link
Beschrijving	Een corpus met syntactische, semantische en discours-niveau annotaties die worden gebruikt in de gedeelde CoNLL-taken.
Beschrijving	Een Engelstalige dataset met aantekeningen voor benoemde entiteiten zoals persoon, organisatie en locatie.
+CV	Beeld	COCO	Algemeen	Objectdetectie	Link
Beschrijving	Common Objects in Context: een dataset met uitgebreide annotaties voor objectdetectie, segmentatie en ondertiteling.
+CV	Beeld	PASCALE VOC	Algemeen	Objectdetectie	Link
Beschrijving	Een benchmarkdataset voor uitdagingen op het gebied van objectdetectie en -segmentatie.
+CV	Beeld	Stadsgezichten	Autonoom rijden	Semantische segmentatie	Link
Beschrijving	Dataset voor inzicht in stedelijke scènes met annotaties op pixelniveau voor 30 klassen.
+CV	Beeld	MNIST	Algemeen	Cijferclassificatie	Link
Beschrijving	Dataset met handgeschreven cijfers met 60,000 trainings- en 10,000 testbeelden van 28x28 pixels.
+CV	Beeld	Mode-MNIST	Retail	Afbeeldingsclassificatie	Link
Beschrijving	Dataset met afbeeldingen van artikelen van Zalando in hetzelfde formaat als MNIST, gebruikt als directe vervanging voor benchmarking.
+NLP	Audio	LibriSpraak	Algemeen	ASR	Link
Beschrijving	Een corpus van gelezen Engelse spraak afkomstig van luisterboeken, met 1000 uur aan spraak en bijbehorende teksten.
+NLP	Audio	TED-LIUM	Algemeen	ASR	Link
Beschrijving	Getranscribeerde TED-talks met audio en afgestemde transcripties voor onderzoek naar spraakherkenning.
+NLP	Audio	TIMIT	Algemeen	Foneemherkenning	Link
Beschrijving	Fonetisch getranscribeerde spraak van sprekers van het Amerikaans-Engels, veel gebruikt voor foneemherkenningstaken.
+NLP	Audio	Gemeenschappelijke stem	Algemeen	ASR	Link
Beschrijving	Een meertalig corpus van voorgelezen toespraken, bijeengebracht door vrijwilligers over de hele wereld.
+NLP	Audio	VoxCeleb	Algemeen	Luidsprekerherkenning	Link
Beschrijving	Een grootschalige dataset voor sprekersidentificatie, verzameld uit YouTube-video's.
+NLP	Tekst	Wikipedia-dump	Algemeen	Taalmodellering	Link
Beschrijving	Volledige tekstdumps van Wikipedia-artikelen, regelmatig bijgewerkt, gebruikt voor het vooraf trainen van taalmodellen.
+NLP	Tekst	Gigawoord	Nieuws	Taalmodellering	Link
Beschrijving	Een uitgebreid archief met nieuwstekstgegevens van verschillende persbureaus.
+NLP	Tekst	IMDB beoordelingen	Entertainment	Sentiment analyse	Link
Beschrijving	Grote dataset met filmrecensies voor binaire sentimentclassificatie.
+CV	Video	Kinetiek-700	Algemeen	Actieherkenning	Link
Beschrijving	Een grootschalige, hoogwaardige dataset met YouTube-videoclips die 700 soorten menselijk handelen bestrijken.
+CV	Video	UCF101	Algemeen	Actieherkenning	Link
Beschrijving	Een dataset met realistische actievideo's, met 101 actiecategorieën.
+CV	Video	HMDB51	Algemeen	Actieherkenning	Link
Beschrijving	Een grote database met video's van menselijke bewegingen met 51 actiecategorieën.
Beschrijving	Een database met foto's van gezichten, ontworpen voor het bestuderen van onbeperkte gezichtsherkenning.
+CV	Beeld	CASIA-WebFace	Algemeen	Gezichtsherkenning	Link
Beschrijving	Een dataset met miljoenen afbeeldingen van gezichten voor het trainen van modellen voor diepe gezichtsherkenning.
+NLP	Tekst	Ploeg	Algemeen	Begrijpend lezen	Link
Beschrijving	Stanford Question Answering Dataset: vragen gesteld door crowdworkers over een reeks Wikipedia-artikelen.
Beschrijving	Een dataset over machinebegrip met vragen en antwoorden op basis van nieuwsartikelen van CNN.
+NLP	Tekst	MultiNLI	Algemeen	Natuurlijke taalinferentie	Link
Beschrijving	Een dataset voor het afleiden van natuurlijke taaluitdrukkingen op basis van zinsparen in meerdere genres.
+NLP	Tekst	SNLI	Algemeen	Natuurlijke taalinferentie	Link
Beschrijving	Stanford Natural Language Inference Corpus met zinparen die zijn gelabeld als implicatie, tegenspraak of neutraal.
Beschrijving	Een verzameling van meer dan 100 miljoen tokens, afkomstig uit de set geverifieerde goede en uitgelichte artikelen op Wikipedia.
Beschrijving	Een dataset met 16,185 afbeeldingen van 196 soorten auto's.
+CV	Beeld	Oxford Bloemen 102	Plantkunde	Fijnmazige classificatie	Link
Beschrijving	102 bloemcategorieën die veel voorkomen in het Verenigd Koninkrijk.
+CV	Beeld	CIFAR-10	Algemeen	Afbeeldingsclassificatie	Link
Beschrijving	Afbeeldingen van 10 klassen: vliegtuig, auto, vogel, kat, hert, hond, kikker, paard, schip en vrachtwagen.
+CV	Beeld	CIFAR-100	Algemeen	Afbeeldingsclassificatie	Link
Beschrijving	Een dataset vergelijkbaar met CIFAR-10, maar met 100 fijnmazige klassen.
+CV	Beeld	VOC-persoonsindeling	Algemeen	Stel schatting	Link
Beschrijving	Onderdeel van PASCAL VOC, gericht op annotaties van de lay-out van personen, zoals hoofd, handen en voeten.
+CV	Beeld	MPII Menselijke houding	Algemeen	Stel schatting	Link
Beschrijving	Ongeveer 25,000 afbeeldingen met meer dan 40,000 mensen met geannoteerde lichaamsdelen.
Beschrijving	Verzameling van Reuters-nieuwsartikelen voor onderzoek naar tekstcategorisatie.
+NLP	Tekst	20 nieuwsgroepen	Algemeen	Tekstclassificatie	Link
Beschrijving	Een verzameling van 20,000 nieuwsgroepdocumenten, verdeeld over 20 verschillende nieuwsgroepen.

AI-trainingsgegevens

LLM- en GenAI-evaluatie

Specialiteit

Fysieke AI-gegevens

Medische gegevens

Computer Vision-gegevens

Spraak gegevens

Tekstgegevens

Door de industrie

Door gebruiksscenario

Kant-en-klare open datasets voor AI/ML

Open source datasets voor uw AI/ML-modellen

AI-gegevensservices

Specialiteit

Informatiebronnen

Over ons

Contact