Dataset Search：Googleによる「データセット検索」サイト：AI・機械学習のデータセット辞典

連載目次

データセット検索サイトとは？

　Dataset Searchは、2018年9月からグーグル（Google）が提供しているサイトの一つで、世界中からデータセットを検索できる（＝ググれる）。「機械学習で利用するデータセットを手軽に探したい」という場合に、最初に実行してみるツールとして非常に有用である。通常のGoogle検索では、例えば「PyTorch cats dogs images classification」などのようなキーワードを入れて検索することになるだろうが、その結果、必ずしもデータセットのみがヒットするわけではない。それと比べると、データセットのみを効率的に表示してくれるので便利である。

データセット検索

　例えば図1は、Dataset Searchで実際にデータセットを検索しようとしているところである。

図1　Dataset Searchで検索しようとしているところ

検索結果の表示

　「cats and dogs」で検索してみたところ、図2のように表示された。

図2　「cats and dogs」で検索してみた結果

　左側に検索結果のリストが表示される。リストから1つの項目を選択すると、その内容が右側に表示される。この場合は、import tensorflow_datasets as tfdsというコード例からも分かるように「www.tensorflow.org」（TensorFlow Datasets）内のデータセットが表示されている。

　左側には、Kaggleのデータセットが大量に表示されているのが分かる。Dataset Searchでは、Kaggleのデータセットがよくヒットする。その理由は恐らく、Kaggle社自体が2017年にグーグルに買収された企業であり、データセット検索に対応するための「schema.org規格準拠のメタデータ」がページ内に標準実装されているためだろう。メタデータについて詳しくは「データセット ― Google検索デベロッパー ガイド」と「FAQ：データセットの構造化データマークアップ ― Search Console Community」を参照してほしい。なお、このメタデータに対応すれば、各個人が作成したデータセットであっても、Dataset Searchにヒットしやすくなると考えられる。

検索結果のフィルタリング

　また、図2の上部には、図3に示すようなフィルターが配置されている。これにより、（Google検索と同様に）検索内容をカスタマイズして結果をフィルタリングできる。

図3　データセット検索結果のフィルタリング

日本語対応について

　ちなみにDataset Searchは、もちろん日本語に対応している。図4は「くずし字」で検索して、左側の一覧から［KMNISTデータセット］を選択した例である（参考：「KMNIST／Kuzushiji-MNIST：日本古典籍くずし字（手書き文字）データセット」）。

図4　日本語データセットの例

対象ページを開くには

　選択中の検索結果の対象ページを開くには、タイトルの下にある青いボタンをクリックすればよい。図4であれば［探す: codh.rois.ac.jp］ボタンを、前掲の図2なら［探す: TensorFlow Datasets］／［探す: Kaggle］ボタンをクリックする。

データセット内容の記載について

　図4では、［一意の識別子］（詳細後述）／［データセット更新日］／［データセットの提供元］／［ライセンス］／［説明］といった情報が表示されているが、これらの情報は、前述のメタデータがどのように記載されているかによって変わる。図4の例は豊富な情報が表示されているが、ここまで詳しい情報は表示されないことも多い。

　この中で［一意の識別子］は分かりにくいが、これはDOI（Digital Object Identifier：デジタルオブジェクト識別子）、つまりインターネット上で恒久的に与えられる識別子となるURLである。リンク切れを防ぐために、論文引用時などでは、このDOIを示した方がよい。DOIについては（以下、敬称略）、

が分かりやすいので、より詳しくはそちらを参照してほしい。

「AI・機械学習のデータセット辞典」