机器学习常用数据集

人脸检测算法

其中，包含了英伟达去年12月开源的人脸数据集FFHQ（Flickr-Faces-HQ），内含7万张1024×1024分辨率的高清人脸大图。

腾讯开源的Tencent ML-Images项目，其多标签图像数据集ML-Images包含了1800万图像和1.1万多种常见物体类别，比谷歌开源的Open Images数据集还丰富不少。

nlp：

斯坦福大学NLP组的SQuAD 2.0你得了解一下，和一代相比，2.0版在增加对抗性问题的同时，也新增了一项“判断一个问题能否根据提供的阅读文本作答”的任务。

CoQA数据集也是斯坦福开发的对话数据集，包含来自8k组对话的127k个带有答案的问题。这些对话涉及 7 个不同领域，每组对话的平均长度为15轮，每一轮对话都由问题和回答组成。

此外，DeepMind的Q&A问答数据集、微软的MS MARCO机器阅读理解数据集、三名中国学生推出的HotpotQA新型问答数据集等，都可以在这份清单中一键直达。

audio：

谷歌的大规模音频数据集AudioSet，包含632类的音频类别以及2084320 条人工标记的每段10秒的声音剪辑片段，覆盖大范围人类与动物、乐器与音乐流派、日常环境声音。

谷歌NSynth数据集，收录了从1000种乐器中采集的大量注释的音符，包括不同的音高和速率，比同类的公共数据集大了一个数量级。

初创公司Mozilla公布的Common Voice数据集，内含2万名英语志愿者500小时、40万份录音，语料库也在不断扩充中。

还有LibriSpeech ASR corpus语音数据集，包括1000小时的英文发音和对应文字，数据来自LibriVox项目的有声读物，是一个大型的语料数据库。

数据集网站

https://www.datasetlist.com/

other：

MegaFace 是由华盛顿大学(University of Washington)计算机科学与工程实验室于2015年针对名为 ”MegaFace Challenge” 的挑战而发布并维护的公开人脸数据集,是

DAVIS(Densely-Annotated VIdeo Segmentation)数据集是视频目标分割(VOS)任务中最重要的数据集之一。从2017年开始,DAVIS官方团队每年都会举办“DAVIS Challeng.

近日昆山杜克大学与AISHELL共同推出了一个基于远场文本相关的说话人认证数据库﹣HI-MIA发布在语音数据开源平台openslr上(http://www.openslr.org/85/)。