用于人工智能训练的常见数据集及其特点如下：

ImageNet：这是一个大型图像数据集，包含了数百万张标注过的图像，涵盖了数千个不同的类别。它的特点是数据量大、类别丰富，非常适合用于训练深度学习图像分类模型。ImageNet数据集对于推动计算机视觉领域的发展起到了重要的作用，是许多图像分类、目标检测、图像分割等任务的基准数据集。

CIFAR-10/CIFAR-100：这两个数据集包含了彩色图像，分别包含10个和100个不同的类别。图像尺寸较小，便于快速训练和测试模型。由于类别数量适中，这两个数据集常被用于图像分类、卷积神经网络等计算机视觉任务的教学和研究中。

MNIST：手写数字数据集，包含了大量的手写数字图像和对应的标签。它的特点是图像简单、识别难度较低，非常适合初学者入门和测试机器学习算法。MNIST数据集在数字识别、图像处理、神经网络等领域有广泛的应用。

COCO（Common Objects in Context）：这是一个大型的目标检测、分割和图像标注数据集。它包含了超过30万张图像，涵盖了80个不同的类别。COCO数据集的特点是图像背景复杂、目标多样，非常适合用于训练复杂的目标检测和图像分割模型。

IMDB-Wiki：这是一个大型的人脸图像数据集，包含了超过50万张人脸图像和对应的年龄、性别标签。它的特点是数据量大、标签准确，非常适合用于人脸识别、年龄估计等任务的研究和应用中。同时，该数据集还可以用于图像生成等任务。

这些数据集都具有数据量大、标注准确、多样性丰富等特点，为人工智能训练和测试提供了良好的数据基础。不同的数据集适用于不同的任务和应用场景，研究者可以根据自己的需求选择合适的数据集进行训练和测试。同时，随着人工智能技术的不断发展，新的数据集也在不断涌现，为人工智能领域的研究和应用提供了更多的可能性。