Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 085, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
Небольшая выборка пар изображение–LaTeX для обучения OCR математических формул.
Пары картинок и подписей с одинаковыми словами в разном порядке для проверки vision-language моделей.
Датасет для object detection в моде: изображения с масками сегментации и экспертной онтологией одежды.
Небольшой набор мультимодальной обратной связи для выравнивания vision-language моделей.
VQA-датасет на основе Localized Narratives: пары вопрос-ответ по изображениям.
Курируемый набор изображений и текста для проверки VLM без раздувания multiple-choice и шума.
Высокоточные collision-меши для 1000 indoor-сцен — для физически корректной навигации и взаимодействия.
1 639 английских скриншотов сайтов с инструкциями и пиксельными целями для проверки веб-навигации.
Синтетические персоны на французском, привязанные к реальным демографическим и географическим распределениям.
Крупный набор ссылок на Flickr-изображения в public domain и CC0 для обучения.
750K CT/MRI-снимков и 7,5M сгенерированных VQA-примеров с экспертными аннотациями для обучения и бенчмарка.
10 013 изображений стройплощадок с аннотациями для проверки понимания сцен vision-language моделями.
Англоязычные задачи по физике с уравнениями и решениями для тренировки и проверки моделей.
123 тыс. самых сложных image-text примеров из MMFineReason, на которых Qwen3-VL-4B-Thinking стабильно ошибается.
Набор изображений с текстовыми описаниями для проверки, насколько MLLM точно локализуют объекты.
Метаданные почти 660 тыс. AI-песен Suno с мультиязычными описаниями и аудиомодальностью.
Изображения блюд с метаданными для распознавания еды, классификации и нутриционного анализа.
Датасет холодного старта для SFT моделей, которые учатся многошаговому рассуждению с изображениями.
595K пар изображение-текст из CC3M для выравнивания признаков при обучении мультимодальных моделей.
Пары изображений математических формул с LaTeX-кодом для обучения и проверки OCR.
Подробные синтетические описания 16,9 млн изображений для обучения и оценки vision-language моделей.
Крупный мультимодальный датасет для понимания научных изображений: картинки и тексты, задача image-to-text.
Небольшая коллекция изображений машин для классификации, детекции и исследований автопилота.
Изображения, текст и табличные поля из Midjourney; в карточке заявлено 55 млн сообщений.