dlproject/nsc_test

hugging_face2022-12-06 更新2024-03-04 收录

下载链接：

https://hf-mirror.com/datasets/dlproject/nsc_test

下载链接

链接失效反馈

资源简介：

--- dataset_info: features: - name: input_values sequence: sequence: sequence: float32 - name: attention_mask sequence: sequence: int32 - name: labels dtype: int64 splits: - name: train num_bytes: 233563168 num_examples: 1769 download_size: 222492491 dataset_size: 233563168 --- # Dataset Card for "nsc_test" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

提供机构：

dlproject

原始信息汇总

数据集概述

数据集名称

nsc_test

数据集特征

input_values: 数据类型为float32。
attention_mask: 数据类型为int32。
labels: 数据类型为int64。

数据集分割

train:
- 数据大小: 233563168 字节
- 示例数量: 1769

数据集大小

下载大小: 222492491 字节
数据集总大小: 233563168 字节

用户留言

有没有相关的论文或文献参考？

这个数据集是基于什么背景创建的？

数据集的作者是谁？

能帮我联系到这个数据集的作者吗？

这个数据集如何下载？

点击留言

数据主题

具身智能

数据集 4099个

机构 8个

大模型

数据集 439个

机构 10个

无人机

数据集 37个

机构 6个

指令微调

数据集 36个

机构 6个

蛋白质结构

数据集 50个

机构 8个

空间智能

数据集 21个

机构 5个

5,000+

优质数据集

54 个

任务类型

进入经典数据集

热门数据集

Global Firepower Index (GFI)

Global Firepower Index (GFI) 是一个评估全球各国军事力量的综合指数。该指数考虑了超过50个因素，包括军事预算、人口、陆地面积、海军力量、空军力量、自然资源、后勤能力、地理位置等。数据集提供了每个国家的详细评分和排名，帮助分析和比较各国的军事实力。

www.globalfirepower.com 收录

MVIP

MVIP是一个面向应用的多视角和多模态工业零件识别数据集，由弗劳恩霍夫IPK研究所创建。该数据集包含了校准过的RGBD多视角图像以及对象的物理属性、自然语言描述和超类别等信息。数据集共包含约570,000张图像，分为训练集、验证集和测试集，适用于工业零件识别相关的研究，旨在解决小样本学习、视觉相似零件识别等问题。

arXiv 收录

THCHS-30

“THCHS30是由清华大学语音与语言技术中心（CSLT）发布的开放式汉语语音数据库。原始录音是2002年在清华大学国家重点实验室的朱晓燕教授的指导下，由王东完成的。清华大学计算机科学系智能与系统，原名“TCMSD”，意思是“清华连续普通话语音数据库”，时隔13年出版，由王东博士发起，并得到了教授的支持。朱小燕。我们希望为语音识别领域的新研究人员提供一个玩具数据库。因此，该数据库对学术用户完全免费。整个软件包包含建立中文语音识别所需的全套语音和语言资源系统。”

OpenDataLab 收录

大学生运动和体质健康数据集（2014-2023）

《大学生运动与体质健康数据集（2014-2023）》涵盖了大学生群体在运动能力、基础身体形态、身体机能及身体素质等多个方面的关键基础数据。该数据集的采集时间跨度为2014年至2023年，样本采集自全国34个省级行政区域，共计123281名大学生参与，平均年龄为20.53岁。建立大学生运动和体质健康数据集可以准确把握学生体质健康的整体水平和变化趋势，了解大学生运动和体质健康状况，对指导个性化健康干预、优化体育教育资源配置、支持促进科学研究以及提高公众健康意识等均具有重要意义。

国家人口健康科学数据中心收录

boat

本项目所使用的数据集名为“boat”，旨在为改进YOLOv11的船舶类型检测系统提供丰富的训练素材。该数据集包含六个主要类别，分别为：散货船、集装箱船、渔船、一般货船、矿石运输船和客船。这些类别涵盖了船舶运输行业的多样性，确保了模型在不同类型船舶识别上的全面性和准确性。数据集中的图像经过精心挑选和标注，确保每个类别的样本都具有代表性。通过使用“boat”数据集，改进后的YOLOv11模型将能够更准确地识别和分类不同类型的船舶，从而提高船舶监测和管理的效率。

github 收录