mlcommons/croissant

这是什么？

核心功能

• 01将元数据、资源文件、记录结构和 ML 语义整合进一个 JSON-LD 文件。
• 02基于 schema.org 的 Dataset 词汇表，使数据集保持可被网络搜索的能力。
• 03提供 Python 包 mlcroissant，用于加载和检查 Croissant 数据集。
• 04支持从本地文件或远程 URL 读取，包括 Hugging Face 的 API 地址。
• 05与 TensorFlow Datasets 集成，提供 CroissantBuilder。

适用场景

• 以标准化、机器可读的元数据发布机器学习数据集。
• 将 Croissant 文件描述的数据集加载到 TensorFlow 或 PyTorch 流程中。
• 通过搜索引擎和数据集目录提升数据集的可发现性。
• 开发解析或生成通用格式数据集元数据的工具。

快速上手

1. 1

   安装 mlcroissant Python 包（需要 Python 3.10+）

   pip install mlcroissant
2. 2

   加载示例数据集并打印其元数据和记录

使用前须知

• !Croissant 仍由社区开发中，mlcroissant 的接口可能会变化。
• !示例工作流中加载部分数据集需要 TensorFlow Datasets，这是额外的依赖。

标签

常见问题

croissant 是什么？

基于 schema.org 与 JSON-LD 的机器学习数据集高层元数据格式，将文件、结构与 ML 语义统一描述在一个文件中。 Croissant 是一种面向机器学习数据集的高层元数据格式，把四个层面整合进同一个 JSON-LD 文件：包括负责任 ML 相关信息在内的数据集元数据、原始资源文件的描述、将原始数据组织为记录和字段的结构，以及数据通常在 ML 中如何被使用的语义。它面向已有数据集，目的是让数据集更容易被查找、加载和配套工具支持。

croissant 可以免费使用吗？用的什么许可证？

croissant 以 Apache-2.0 许可证开源。用于商业产品前，请先确认许可证条款。

croissant 还在维护吗？

活跃维护中。croissant 最近一次提交是在 2026年10月5日。

croissant 适合用来做什么？

以标准化、机器可读的元数据发布机器学习数据集。 将 Croissant 文件描述的数据集加载到 TensorFlow 或 PyTorch 流程中。 通过搜索引擎和数据集目录提升数据集的可发现性。 开发解析或生成通用格式数据集元数据的工具。

croissant 怎么安装和运行？

安装 mlcroissant Python 包（需要 Python 3.10+）: pip install mlcroissant 加载示例数据集并打印其元数据和记录

在哪里获取 croissant？

源代码和安装说明在 GitHub 上：https://github.com/mlcommons/croissant