diff --git a/MANIFEST.in b/MANIFEST.in
index 8a93c252bd..c6d3090b1c 100644
--- a/MANIFEST.in
+++ b/MANIFEST.in
@@ -1,5 +1,6 @@
 include requirements/*.txt
 include mmpose/.mim/model-index.yml
+include mmpose/.mim/dataset-index.yml
 recursive-include mmpose/.mim/configs *.py *.yml
 recursive-include mmpose/.mim/tools *.py *.sh
 recursive-include mmpose/.mim/demo *.py
diff --git a/dataset-index.yml b/dataset-index.yml
new file mode 100644
index 0000000000..a6acc57cc4
--- /dev/null
+++ b/dataset-index.yml
@@ -0,0 +1,71 @@
+coco2017:
+  dataset: COCO_2017
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_coco2017.sh
+
+mpii:
+  dataset: MPII_Human_Pose
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_mpii.sh
+
+aic:
+  dataset: AI_Challenger
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_aic.sh
+
+crowdpose:
+  dataset: CrowdPose
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_crowdpose.sh
+
+halpe:
+  dataset: Halpe
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_halpe.sh
+
+lapa:
+  dataset: LaPa
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_lapa.sh
+
+300w:
+  dataset: 300w
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_300w.sh
+
+wflw:
+  dataset: WFLW
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_wflw.sh
+
+onehand10k:
+  dataset: OneHand10K
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_onehand10k.sh
+
+freihand:
+  dataset: FreiHAND
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_freihand.sh
+
+ap10k:
+  dataset: AP-10K
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_ap10k.sh
+
+hagrid:
+  dataset: HaGRID
+  download_root: data
+  data_root: data/pose
+  script: tools/dataset_converters/scripts/preprocess_hagrid.sh
diff --git a/docs/en/advanced_guides/customize_datasets.md b/docs/en/advanced_guides/customize_datasets.md
index 6ef43e5b0d..1aac418812 100644
--- a/docs/en/advanced_guides/customize_datasets.md
+++ b/docs/en/advanced_guides/customize_datasets.md
@@ -256,4 +256,4 @@ combined_dataset = dict(
 
 - **Converter transforms of sub-datasets** are applied when there exist mismatches of annotation format between sub-datasets and the combined dataset. For example, the number and order of keypoints might be different in the combined dataset and the sub-datasets. Then `KeypointConverter` can be used to unify the keypoints number and order.
 
-- More details about `CombinedDataset` and `KeypointConverter` can be found in Advanced Guides-[Training with Mixed Datasets](../advanced_guides/mixed_datasets.md).
+- More details about `CombinedDataset` and `KeypointConverter` can be found in Advanced Guides-[Training with Mixed Datasets](../user_guides/mixed_datasets.md).
diff --git a/docs/en/user_guides/prepare_datasets.md b/docs/en/user_guides/prepare_datasets.md
index b754767845..2f8ddcbc32 100644
--- a/docs/en/user_guides/prepare_datasets.md
+++ b/docs/en/user_guides/prepare_datasets.md
@@ -1,6 +1,6 @@
 # Prepare Datasets
 
-In this document, we will give a guide on the process of preparing datasets for the MMPose. Various aspects of dataset preparation will be discussed, including using built-in datasets, creating custom datasets, combining datasets for training, and browsing the dataset.
+In this document, we will give a guide on the process of preparing datasets for the MMPose. Various aspects of dataset preparation will be discussed, including using built-in datasets, creating custom datasets, combining datasets for training, browsing and downloading the datasets.
 
 ## Use built-in datasets
 
@@ -155,3 +155,67 @@ Here is a processed sample
 ![transformed_coco](https://user-images.githubusercontent.com/26127467/187386652-bd47335d-797c-4e8c-b823-2a4915f9812f.jpg)
 
 The heatmap target will be visualized together if it is generated in the pipeline.
+
+## Download dataset via MIM
+
+By using [OpenDataLab](https://opendatalab.com/), you can obtain free formatted datasets in various fields. Through the search function of the platform, you may address the dataset they look for quickly and easily. Using the formatted datasets from the platform, you can efficiently conduct tasks across datasets.
+
+If you use MIM to download, make sure that the version is greater than v0.3.8. You can use the following command to update, install, login and download the dataset:
+
+```shell
+# upgrade your MIM
+pip install -U openmim
+
+# install OpenDataLab CLI tools
+pip install -U opendatalab
+# log in OpenDataLab, registry
+odl login
+
+# download coco2017 and preprocess by MIM
+mim download mmpose --dataset coco2017
+```
+
+### Supported datasets
+
+Here is the list of supported datasets, we will continue to update it in the future.
+
+#### Body
+
+| Dataset name  | Download command                          |
+| ------------- | ----------------------------------------- |
+| COCO 2017     | `mim download mmpose --dataset coco2017`  |
+| MPII          | `mim download mmpose --dataset mpii`      |
+| AI Challenger | `mim download mmpose --dataset aic`       |
+| CrowdPose     | `mim download mmpose --dataset crowdpose` |
+
+#### Face
+
+| Dataset name | Download command                     |
+| ------------ | ------------------------------------ |
+| LaPa         | `mim download mmpose --dataset lapa` |
+| 300W         | `mim download mmpose --dataset 300w` |
+| WFLW         | `mim download mmpose --dataset wflw` |
+
+#### Hand
+
+| Dataset name | Download command                           |
+| ------------ | ------------------------------------------ |
+| OneHand10K   | `mim download mmpose --dataset onehand10k` |
+| FreiHand     | `mim download mmpose --dataset freihand`   |
+| HaGRID       | `mim download mmpose --dataset hagrid`     |
+
+#### Whole Body
+
+| Dataset name | Download command                      |
+| ------------ | ------------------------------------- |
+| Halpe        | `mim download mmpose --dataset halpe` |
+
+#### Animal
+
+| Dataset name | Download command                      |
+| ------------ | ------------------------------------- |
+| AP-10K       | `mim download mmpose --dataset ap10k` |
+
+#### Fashion
+
+Coming Soon
diff --git a/docs/zh_cn/advanced_guides/customize_datasets.md b/docs/zh_cn/advanced_guides/customize_datasets.md
index 1829c37a0c..61b58dc929 100644
--- a/docs/zh_cn/advanced_guides/customize_datasets.md
+++ b/docs/zh_cn/advanced_guides/customize_datasets.md
@@ -1,3 +1,264 @@
-# Customize Datasets
+# 自定义数据集
 
-Coming soon.
+MMPose 目前已支持了多个任务和相应的数据集。您可以在 [数据集](https://mmpose.readthedocs.io/zh_CN/latest/dataset_zoo.html) 找到它们。请按照相应的指南准备数据。
+
+<!-- TOC -->
+
+- [自定义数据集-将数据组织为 COCO 格式](#自定义数据集-将数据组织为-coco-格式)
+- [创建自定义数据集的元信息文件](#创建自定义数据集的元信息文件)
+- [创建自定义数据集类](#创建自定义数据集类)
+- [创建自定义配置文件](#创建自定义配置文件)
+- [数据集封装](#数据集封装)
+
+<!-- TOC -->
+
+## 将数据组织为 COCO 格式
+
+最简单的使用自定义数据集的方法是将您的注释格式转换为 COCO 数据集格式。
+
+COCO 格式的注释 JSON 文件具有以下必要键：
+
+```python
+'images': [
+    {
+        'file_name': '000000001268.jpg',
+        'height': 427,
+        'width': 640,
+        'id': 1268
+    },
+    ...
+],
+'annotations': [
+    {
+        'segmentation': [[426.36,
+            ...
+            424.34,
+            223.3]],
+        'keypoints': [0,0,0,
+            0,0,0,
+            0,0,0,
+            427,220,2,
+            443,222,2,
+            414,228,2,
+            449,232,2,
+            408,248,1,
+            454,261,2,
+            0,0,0,
+            0,0,0,
+            411,287,2,
+            431,287,2,
+            0,0,0,
+            458,265,2,
+            0,0,0,
+            466,300,1],
+        'num_keypoints': 10,
+        'area': 3894.5826,
+        'iscrowd': 0,
+        'image_id': 1268,
+        'bbox': [402.34, 205.02, 65.26, 88.45],
+        'category_id': 1,
+        'id': 215218
+    },
+    ...
+],
+'categories': [
+    {'id': 1, 'name': 'person'},
+ ]
+```
+
+JSON 标注文件中有三个关键词是必需的：
+
+- `images`：包含所有图像信息的列表，每个图像都有一个 `file_name`、`height`、`width` 和 `id` 键。
+- `annotations`：包含所有实例标注信息的列表，每个实例都有一个 `segmentation`、`keypoints`、`num_keypoints`、`area`、`iscrowd`、`image_id`、`bbox`、`category_id` 和 `id` 键。
+- `categories`：包含所有类别信息的列表，每个类别都有一个 `id` 和 `name` 键。以人体姿态估计为例，`id` 为 1，`name` 为 `person`。
+
+如果您的数据集已经是 COCO 格式的，那么您可以直接使用 `CocoDataset` 类来读取该数据集。
+
+## 创建自定义数据集的元信息文件
+
+对于一个新的数据集而言，您需要创建一个新的数据集元信息文件。该文件包含了数据集的基本信息，如关键点个数、排列顺序、可视化颜色、骨架连接关系等。元信息文件通常存放在 `config/_base_/datasets/` 目录下，例如：
+
+```
+config/_base_/datasets/custom.py
+```
+
+元信息文件中需要包含以下信息：
+
+- `keypoint_info`：每个关键点的信息：
+  1. `name`: 关键点名称，必须是唯一的，例如 `nose`、`left_eye` 等。
+  2. `id`: 关键点 ID，必须是唯一的，从 0 开始。
+  3. `color`: 关键点可视化时的颜色，以 (\[B, G, R\]) 格式组织起来，用于可视化。
+  4. `type`: 关键点类型，可以是 `upper`、`lower` 或 \`\`，用于数据增强。
+  5. `swap`: 关键点交换关系，用于水平翻转数据增强。
+- `skeleton_info`：骨架连接关系，用于可视化。
+- `joint_weights`：每个关键点的权重，用于损失函数计算。
+- `sigma`：标准差，用于计算 OKS 分数，详细信息请参考 [keypoints-eval](https://cocodataset.org/#keypoints-eval)。
+
+下面是一个简化版本的元信息文件（[完整版](/configs/_base_/datasets/coco.py)）：
+
+```python
+dataset_info = dict(
+    dataset_name='coco',
+    paper_info=dict(
+        author='Lin, Tsung-Yi and Maire, Michael and '
+        'Belongie, Serge and Hays, James and '
+        'Perona, Pietro and Ramanan, Deva and '
+        r'Doll{\'a}r, Piotr and Zitnick, C Lawrence',
+        title='Microsoft coco: Common objects in context',
+        container='European conference on computer vision',
+        year='2014',
+        homepage='http://cocodataset.org/',
+    ),
+    keypoint_info={
+        0:
+        dict(name='nose', id=0, color=[51, 153, 255], type='upper', swap=''),
+        1:
+        dict(
+            name='left_eye',
+            id=1,
+            color=[51, 153, 255],
+            type='upper',
+            swap='right_eye'),
+        ...
+        16:
+        dict(
+            name='right_ankle',
+            id=16,
+            color=[255, 128, 0],
+            type='lower',
+            swap='left_ankle')
+    },
+    skeleton_info={
+        0:
+        dict(link=('left_ankle', 'left_knee'), id=0, color=[0, 255, 0]),
+        ...
+        18:
+        dict(
+            link=('right_ear', 'right_shoulder'), id=18, color=[51, 153, 255])
+    },
+    joint_weights=[
+        1., 1., 1., 1., 1., 1., 1., 1.2, 1.2, 1.5, 1.5, 1., 1., 1.2, 1.2, 1.5,
+        1.5
+    ],
+    sigmas=[
+        0.026, 0.025, 0.025, 0.035, 0.035, 0.079, 0.079, 0.072, 0.072, 0.062,
+        0.062, 0.107, 0.107, 0.087, 0.087, 0.089, 0.089
+    ])
+```
+
+## 创建自定义数据集类
+
+如果标注信息不是用 COCO 格式存储的，那么您需要创建一个新的数据集类。数据集类需要继承自 `BaseDataset` 类，并且需要按照以下步骤实现：
+
+1. 在 `mmpose/datasets/datasets` 目录下找到该数据集符合的 package，如果没有符合的，则创建一个新的 package。
+
+2. 在该 package 下创建一个新的数据集类，在对应的注册器中进行注册：
+
+   ```python
+   from mmengine.dataset import BaseDataset
+   from mmpose.registry import DATASETS
+
+   @DATASETS.register_module(name='MyCustomDataset')
+   class MyCustomDataset(BaseDataset):
+   ```
+
+   如果未注册，你会在运行时遇到 `KeyError: 'XXXXX is not in the dataset registry'`。
+   关于 `mmengine.BaseDataset` 的更多信息，请参考 [这个文档](https://mmengine.readthedocs.io/en/latest/advanced_tutorials/basedataset.html)。
+
+3. 确保你在 package 的 `__init__.py` 中导入了该数据集类。
+
+4. 确保你在 `mmpose/datasets/__init__.py` 中导入了该 package。
+
+## 创建自定义配置文件
+
+在配置文件中，你需要修改跟数据集有关的部分，例如：
+
+```python
+...
+# 自定义数据集类
+dataset_type = 'MyCustomDataset' # or 'CocoDataset'
+
+train_dataloader = dict(
+    batch_size=2,
+    dataset=dict(
+        type=dataset_type,
+        data_root='root/of/your/train/data',
+        ann_file='path/to/your/train/json',
+        data_prefix=dict(img='path/to/your/train/img'),
+        metainfo=dict(from_file='configs/_base_/datasets/custom.py'),
+        ...),
+    )
+
+val_dataloader = dict(
+    batch_size=2,
+    dataset=dict(
+        type=dataset_type,
+        data_root='root/of/your/val/data',
+        ann_file='path/to/your/val/json',
+        data_prefix=dict(img='path/to/your/val/img'),
+        metainfo=dict(from_file='configs/_base_/datasets/custom.py'),
+        ...),
+    )
+
+test_dataloader = dict(
+    batch_size=2,
+    dataset=dict(
+        type=dataset_type,
+        data_root='root/of/your/test/data',
+        ann_file='path/to/your/test/json',
+        data_prefix=dict(img='path/to/your/test/img'),
+        metainfo=dict(from_file='configs/_base_/datasets/custom.py'),
+        ...),
+    )
+...
+```
+
+请确保所有的路径都是正确的。
+
+## 数据集封装
+
+目前 [MMEngine](https://github.com/open-mmlab/mmengine) 支持以下数据集封装：
+
+- [ConcatDataset](https://mmengine.readthedocs.io/zh_CN/latest/advanced_tutorials/basedataset.html#concatdataset)
+- [RepeatDataset](https://mmengine.readthedocs.io/zh_CN/latest/advanced_tutorials/basedataset.html#repeatdataset)
+
+### CombinedDataset
+
+MMPose 提供了一个 `CombinedDataset` 类，它可以将多个数据集封装成一个数据集。它的使用方法如下：
+
+```python
+dataset_1 = dict(
+    type='dataset_type_1',
+    data_root='root/of/your/dataset1',
+    data_prefix=dict(img_path='path/to/your/img'),
+    ann_file='annotations/train.json',
+    pipeline=[
+        # 使用转换器将标注信息统一为需要的格式
+        converter_transform_1
+    ])
+
+dataset_2 = dict(
+    type='dataset_type_2',
+    data_root='root/of/your/dataset2',
+    data_prefix=dict(img_path='path/to/your/img'),
+    ann_file='annotations/train.json',
+    pipeline=[
+        converter_transform_2
+    ])
+
+shared_pipeline = [
+    LoadImage(),
+    ParseImage(),
+]
+
+combined_dataset = dict(
+    type='CombinedDataset',
+    metainfo=dict(from_file='path/to/your/metainfo'),
+    datasets=[dataset_1, dataset_2],
+    pipeline=shared_pipeline,
+)
+```
+
+- **合并数据集的元信息** 决定了标注格式，可以是子数据集的元信息，也可以是自定义的元信息。如果要自定义元信息，可以参考 [创建自定义数据集的元信息文件](#创建自定义数据集的元信息文件)。
+- **KeypointConverter** 用于将不同的标注格式转换成统一的格式。比如将关键点个数不同、关键点排列顺序不同的数据集进行合并。
+- 更详细的说明请前往[混合数据集训练](../user_guides/mixed_datasets.md)。
diff --git a/docs/zh_cn/user_guides/prepare_datasets.md b/docs/zh_cn/user_guides/prepare_datasets.md
index a10a7e4836..8b7d651e88 100644
--- a/docs/zh_cn/user_guides/prepare_datasets.md
+++ b/docs/zh_cn/user_guides/prepare_datasets.md
@@ -1,264 +1,221 @@
 # 准备数据集
 
-MMPose 目前已支持了多个任务和相应的数据集。您可以在 [数据集](https://mmpose.readthedocs.io/zh_CN/latest/dataset_zoo.html) 找到它们。请按照相应的指南准备数据。
-
-<!-- TOC -->
-
-- [自定义数据集-将数据组织为 COCO 格式](#自定义数据集-将数据组织为-coco-格式)
-- [创建自定义数据集的元信息文件](#创建自定义数据集的元信息文件)
-- [创建自定义数据集类](#创建自定义数据集类)
-- [创建自定义配置文件](#创建自定义配置文件)
-- [数据集封装](#数据集封装)
-
-<!-- TOC -->
-
-## 自定义数据集-将数据组织为 COCO 格式
-
-最简单的使用自定义数据集的方法是将您的注释格式转换为 COCO 数据集格式。
-
-COCO 格式的注释 JSON 文件具有以下必要键：
-
-```python
-'images': [
-    {
-        'file_name': '000000001268.jpg',
-        'height': 427,
-        'width': 640,
-        'id': 1268
-    },
-    ...
-],
-'annotations': [
-    {
-        'segmentation': [[426.36,
-            ...
-            424.34,
-            223.3]],
-        'keypoints': [0,0,0,
-            0,0,0,
-            0,0,0,
-            427,220,2,
-            443,222,2,
-            414,228,2,
-            449,232,2,
-            408,248,1,
-            454,261,2,
-            0,0,0,
-            0,0,0,
-            411,287,2,
-            431,287,2,
-            0,0,0,
-            458,265,2,
-            0,0,0,
-            466,300,1],
-        'num_keypoints': 10,
-        'area': 3894.5826,
-        'iscrowd': 0,
-        'image_id': 1268,
-        'bbox': [402.34, 205.02, 65.26, 88.45],
-        'category_id': 1,
-        'id': 215218
-    },
-    ...
-],
-'categories': [
-    {'id': 1, 'name': 'person'},
- ]
+在这份文档将指导如何为 MMPose 准备数据集，包括使用内置数据集、创建自定义数据集、结合数据集进行训练、浏览和下载数据集。
+
+## 使用内置数据集
+
+**步骤一**: 准备数据
+
+MMPose 支持多种任务和相应的数据集。你可以在 [数据集仓库](https://mmpose.readthedocs.io/en/latest/dataset_zoo.html) 中找到它们。为了正确准备你的数据，请按照你选择的数据集的指南进行操作。
+
+**步骤二**: 在配置文件中进行数据集设置
+
+在开始训练或评估模型之前，你必须配置数据集设置。以 [`td-hm_hrnet-w32_8xb64-210e_coco-256x192.py`](/configs/body_2d_keypoint/topdown_heatmap/coco/td-hm_hrnet-w32_8xb64-210e_coco-256x192.py) 为例，它可以用于在 COCO 数据集上训练或评估 HRNet 姿态估计器。下面我们浏览一下数据集配置：
+
+- 基础数据集参数
+
+  ```python
+  # base dataset settings
+  dataset_type = 'CocoDataset'
+  data_mode = 'topdown'
+  data_root = 'data/coco/'
+  ```
+
+  - `dataset_type` 指定数据集的类名。用户可以参考 [数据集 API](https://mmpose.readthedocs.io/en/latest/api.html#datasets) 来找到他们想要的数据集的类名。
+  - `data_mode` 决定了数据集的输出格式，有两个选项可用：`'topdown'` 和 `'bottomup'`。如果 `data_mode='topdown'`，数据元素表示一个实例及其姿态；否则，一个数据元素代表一张图像，包含多个实例和姿态。
+  - `data_root` 指定数据集的根目录。
+
+- 数据处理流程
+
+  ```python
+  # pipelines
+  train_pipeline = [
+      dict(type='LoadImage'),
+      dict(type='GetBBoxCenterScale'),
+      dict(type='RandomFlip', direction='horizontal'),
+      dict(type='RandomHalfBody'),
+      dict(type='RandomBBoxTransform'),
+      dict(type='TopdownAffine', input_size=codec['input_size']),
+      dict(type='GenerateTarget', encoder=codec),
+      dict(type='PackPoseInputs')
+  ]
+  val_pipeline = [
+      dict(type='LoadImage'),
+      dict(type='GetBBoxCenterScale'),
+      dict(type='TopdownAffine', input_size=codec['input_size']),
+      dict(type='PackPoseInputs')
+  ]
+  ```
+
+  `train_pipeline` 和 `val_pipeline` 分别定义了训练和评估阶段处理数据元素的步骤。除了加载图像和打包输入之外，`train_pipeline` 主要包含数据增强技术和目标生成器，而 `val_pipeline` 则专注于将数据元素转换为统一的格式。
+
+- 数据加载器
+
+  ```python
+  # data loaders
+  train_dataloader = dict(
+      batch_size=64,
+      num_workers=2,
+      persistent_workers=True,
+      sampler=dict(type='DefaultSampler', shuffle=True),
+      dataset=dict(
+          type=dataset_type,
+          data_root=data_root,
+          data_mode=data_mode,
+          ann_file='annotations/person_keypoints_train2017.json',
+          data_prefix=dict(img='train2017/'),
+          pipeline=train_pipeline,
+      ))
+  val_dataloader = dict(
+      batch_size=32,
+      num_workers=2,
+      persistent_workers=True,
+      drop_last=False,
+      sampler=dict(type='DefaultSampler', shuffle=False, round_up=False),
+      dataset=dict(
+          type=dataset_type,
+          data_root=data_root,
+          data_mode=data_mode,
+          ann_file='annotations/person_keypoints_val2017.json',
+          bbox_file='data/coco/person_detection_results/'
+          'COCO_val2017_detections_AP_H_56_person.json',
+          data_prefix=dict(img='val2017/'),
+          test_mode=True,
+          pipeline=val_pipeline,
+      ))
+  test_dataloader = val_dataloader
+  ```
+
+  这个部分是配置数据集的关键。除了前面讨论过的基础数据集参数和数据处理流程之外，这里还定义了其他重要的参数。`batch_size` 决定了每个 GPU 的 batch size；`ann_file` 指定了数据集的注释文件；`data_prefix` 指定了图像文件夹。`bbox_file` 仅在 top-down 数据集的 val/test 数据加载器中使用，用于提供检测到的边界框信息。
+
+我们推荐从使用相同数据集的配置文件中复制数据集配置，而不是从头开始编写，以最小化潜在的错误。通过这样做，用户可以根据需要进行必要的修改，从而确保更可靠和高效的设置过程。
+
+## 使用自定义数据集
+
+[自定义数据集](../advanced_guides/customize_datasets.md) 指南提供了如何构建自定义数据集的详细信息。在本节中，我们将强调一些使用和配置自定义数据集的关键技巧。
+
+- 确定数据集类名。如果你将数据集重组为 COCO 格式，你可以简单地使用 `CocoDataset` 作为 `dataset_type` 的值。否则，你将需要使用你添加的自定义数据集类的名称。
+
+- 指定元信息配置文件。MMPose 1.x 采用了与 MMPose 0.x 不同的策略来指定元信息。在 MMPose 1.x 中，用户可以按照以下方式指定元信息配置文件：
+
+  ```python
+  train_dataloader = dict(
+      ...
+      dataset=dict(
+          type=dataset_type,
+          data_root='root/of/your/train/data',
+          ann_file='path/to/your/train/json',
+          data_prefix=dict(img='path/to/your/train/img'),
+          # specify dataset meta information
+          metainfo=dict(from_file='configs/_base_/datasets/custom.py'),
+          ...),
+  )
+  ```
+
+  注意，`metainfo` 参数必须在 val/test 数据加载器中指定。
+
+## 使用混合数据集进行训练
+
+MMPose 提供了一个方便且多功能的解决方案，用于训练混合数据集。请参考[混合数据集训练](./mixed_datasets.md)。
+
+## 浏览数据集
+
+`tools/analysis_tools/browse_dataset.py` 帮助用户可视化地浏览姿态数据集，或将图像保存到指定的目录。
+
+```shell
+python tools/misc/browse_dataset.py ${CONFIG} [-h] [--output-dir ${OUTPUT_DIR}] [--not-show] [--phase ${PHASE}] [--mode ${MODE}] [--show-interval ${SHOW_INTERVAL}]
 ```
 
-JSON 标注文件中有三个关键词是必需的：
+| ARGS                             | Description                                                                                                |
+| -------------------------------- | ---------------------------------------------------------------------------------------------------------- |
+| `CONFIG`                         | 配置文件的路径                                                                                             |
+| `--output-dir OUTPUT_DIR`        | 保存可视化结果的目标文件夹。如果不指定，可视化的结果将不会被保存                                           |
+| `--not-show`                     | 不适用外部窗口显示可视化的结果                                                                             |
+| `--phase {train, val, test}`     | 数据集选项                                                                                                 |
+| `--mode {original, transformed}` | 指定可视化图片类型。 `original` 为不使用数据增强的原始图片及标注可视化; `transformed` 为经过增强后的可视化 |
+| `--show-interval SHOW_INTERVAL`  | 显示图片的时间间隔                                                                                         |
 
-- `images`：包含所有图像信息的列表，每个图像都有一个 `file_name`、`height`、`width` 和 `id` 键。
-- `annotations`：包含所有实例标注信息的列表，每个实例都有一个 `segmentation`、`keypoints`、`num_keypoints`、`area`、`iscrowd`、`image_id`、`bbox`、`category_id` 和 `id` 键。
-- `categories`：包含所有类别信息的列表，每个类别都有一个 `id` 和 `name` 键。以人体姿态估计为例，`id` 为 1，`name` 为 `person`。
+例如，用户想要可视化 COCO 数据集中的图像和标注，可以使用：
 
-如果您的数据集已经是 COCO 格式的，那么您可以直接使用 `CocoDataset` 类来读取该数据集。
+```shell
+python tools/misc/browse_dataset.py configs/body_2d_keypoint/topdown_heatmap/coco/td-hm_hrnet-w32_8xb64-e210_coco-256x192.py --mode original
+```
 
-## 创建自定义数据集的元信息文件
+检测框和关键点将被绘制在原始图像上。下面是一个例子：
+![original_coco](https://user-images.githubusercontent.com/26127467/187383698-7e518f21-b4cc-4712-9e97-99ddd8f0e437.jpg)
 
-对于一个新的数据集而言，您需要创建一个新的数据集元信息文件。该文件包含了数据集的基本信息，如关键点个数、排列顺序、可视化颜色、骨架连接关系等。元信息文件通常存放在 `config/_base_/datasets/` 目录下，例如：
+原始图像在被输入模型之前需要被处理。为了可视化预处理后的图像和标注，用户需要将参数 `mode` 修改为 `transformed`。例如：
 
-```
-config/_base_/datasets/custom.py
+```shell
+python tools/misc/browse_dataset.py configs/body_2d_keypoint/topdown_heatmap/coco/td-hm_hrnet-w32_8xb64-e210_coco-256x192.py --mode transformed
 ```
 
-元信息文件中需要包含以下信息：
-
-- `keypoint_info`：每个关键点的信息：
-  1. `name`: 关键点名称，必须是唯一的，例如 `nose`、`left_eye` 等。
-  2. `id`: 关键点 ID，必须是唯一的，从 0 开始。
-  3. `color`: 关键点可视化时的颜色，以 (\[B, G, R\]) 格式组织起来，用于可视化。
-  4. `type`: 关键点类型，可以是 `upper`、`lower` 或 \`\`，用于数据增强。
-  5. `swap`: 关键点交换关系，用于水平翻转数据增强。
-- `skeleton_info`：骨架连接关系，用于可视化。
-- `joint_weights`：每个关键点的权重，用于损失函数计算。
-- `sigma`：标准差，用于计算 OKS 分数，详细信息请参考 [keypoints-eval](https://cocodataset.org/#keypoints-eval)。
-
-下面是一个简化版本的元信息文件（[完整版](/configs/_base_/datasets/coco.py)）：
-
-```python
-dataset_info = dict(
-    dataset_name='coco',
-    paper_info=dict(
-        author='Lin, Tsung-Yi and Maire, Michael and '
-        'Belongie, Serge and Hays, James and '
-        'Perona, Pietro and Ramanan, Deva and '
-        r'Doll{\'a}r, Piotr and Zitnick, C Lawrence',
-        title='Microsoft coco: Common objects in context',
-        container='European conference on computer vision',
-        year='2014',
-        homepage='http://cocodataset.org/',
-    ),
-    keypoint_info={
-        0:
-        dict(name='nose', id=0, color=[51, 153, 255], type='upper', swap=''),
-        1:
-        dict(
-            name='left_eye',
-            id=1,
-            color=[51, 153, 255],
-            type='upper',
-            swap='right_eye'),
-        ...
-        16:
-        dict(
-            name='right_ankle',
-            id=16,
-            color=[255, 128, 0],
-            type='lower',
-            swap='left_ankle')
-    },
-    skeleton_info={
-        0:
-        dict(link=('left_ankle', 'left_knee'), id=0, color=[0, 255, 0]),
-        ...
-        18:
-        dict(
-            link=('right_ear', 'right_shoulder'), id=18, color=[51, 153, 255])
-    },
-    joint_weights=[
-        1., 1., 1., 1., 1., 1., 1., 1.2, 1.2, 1.5, 1.5, 1., 1., 1.2, 1.2, 1.5,
-        1.5
-    ],
-    sigmas=[
-        0.026, 0.025, 0.025, 0.035, 0.035, 0.079, 0.079, 0.072, 0.072, 0.062,
-        0.062, 0.107, 0.107, 0.087, 0.087, 0.089, 0.089
-    ])
-```
+这是一个处理后的样本：
 
-## 创建自定义数据集类
-
-如果标注信息不是用 COCO 格式存储的，那么您需要创建一个新的数据集类。数据集类需要继承自 `BaseDataset` 类，并且需要按照以下步骤实现：
-
-1. 在 `mmpose/datasets/datasets` 目录下找到该数据集符合的 package，如果没有符合的，则创建一个新的 package。
-
-2. 在该 package 下创建一个新的数据集类，在对应的注册器中进行注册：
-
-   ```python
-   from mmengine.dataset import BaseDataset
-   from mmpose.registry import DATASETS
-
-   @DATASETS.register_module(name='MyCustomDataset')
-   class MyCustomDataset(BaseDataset):
-   ```
-
-   如果未注册，你会在运行时遇到 `KeyError: 'XXXXX is not in the dataset registry'`。
-   关于 `mmengine.BaseDataset` 的更多信息，请参考 [这个文档](https://mmengine.readthedocs.io/en/latest/advanced_tutorials/basedataset.html)。
-
-3. 确保你在 package 的 `__init__.py` 中导入了该数据集类。
-
-4. 确保你在 `mmpose/datasets/__init__.py` 中导入了该 package。
-
-## 创建自定义配置文件
-
-在配置文件中，你需要修改跟数据集有关的部分，例如：
-
-```python
-...
-# 自定义数据集类
-dataset_type = 'MyCustomDataset' # or 'CocoDataset'
-
-train_dataloader = dict(
-    batch_size=2,
-    dataset=dict(
-        type=dataset_type,
-        data_root='root/of/your/train/data',
-        ann_file='path/to/your/train/json',
-        data_prefix=dict(img='path/to/your/train/img'),
-        metainfo=dict(from_file='configs/_base_/datasets/custom.py'),
-        ...),
-    )
-
-val_dataloader = dict(
-    batch_size=2,
-    dataset=dict(
-        type=dataset_type,
-        data_root='root/of/your/val/data',
-        ann_file='path/to/your/val/json',
-        data_prefix=dict(img='path/to/your/val/img'),
-        metainfo=dict(from_file='configs/_base_/datasets/custom.py'),
-        ...),
-    )
-
-test_dataloader = dict(
-    batch_size=2,
-    dataset=dict(
-        type=dataset_type,
-        data_root='root/of/your/test/data',
-        ann_file='path/to/your/test/json',
-        data_prefix=dict(img='path/to/your/test/img'),
-        metainfo=dict(from_file='configs/_base_/datasets/custom.py'),
-        ...),
-    )
-...
-```
+![transformed_coco](https://user-images.githubusercontent.com/26127467/187386652-bd47335d-797c-4e8c-b823-2a4915f9812f.jpg)
+
+热图目标将与之一起可视化，如果它是在 pipeline 中生成的。
+
+## 用 MIM 下载数据集
 
-请确保所有的路径都是正确的。
-
-## 数据集封装
-
-目前 [MMEngine](https://github.com/open-mmlab/mmengine) 支持以下数据集封装：
-
-- [ConcatDataset](https://mmengine.readthedocs.io/zh_CN/latest/advanced_tutorials/basedataset.html#concatdataset)
-- [RepeatDataset](https://mmengine.readthedocs.io/zh_CN/latest/advanced_tutorials/basedataset.html#repeatdataset)
-
-### CombinedDataset
-
-MMPose 提供了一个 `CombinedDataset` 类，它可以将多个数据集封装成一个数据集。它的使用方法如下：
-
-```python
-dataset_1 = dict(
-    type='dataset_type_1',
-    data_root='root/of/your/dataset1',
-    data_prefix=dict(img_path='path/to/your/img'),
-    ann_file='annotations/train.json',
-    pipeline=[
-        # 使用转换器将标注信息统一为需要的格式
-        converter_transform_1
-    ])
-
-dataset_2 = dict(
-    type='dataset_type_2',
-    data_root='root/of/your/dataset2',
-    data_prefix=dict(img_path='path/to/your/img'),
-    ann_file='annotations/train.json',
-    pipeline=[
-        converter_transform_2
-    ])
-
-shared_pipeline = [
-    LoadImage(),
-    ParseImage(),
-]
-
-combined_dataset = dict(
-    type='CombinedDataset',
-    metainfo=dict(from_file='path/to/your/metainfo'),
-    datasets=[dataset_1, dataset_2],
-    pipeline=shared_pipeline,
-)
+通过使用 [OpenDataLab](https://opendatalab.com/)，您可以直接下载开源数据集。通过平台的搜索功能，您可以快速轻松地找到他们正在寻找的数据集。使用平台上的格式化数据集，您可以高效地跨数据集执行任务。
+
+如果您使用 MIM 下载，请确保版本大于 v0.3.8。您可以使用以下命令进行更新、安装、登录和数据集下载：
+
+```shell
+# upgrade your MIM
+pip install -U openmim
+
+# install OpenDataLab CLI tools
+pip install -U opendatalab
+# log in OpenDataLab, registry
+odl login
+
+# download coco2017 and preprocess by MIM
+mim download mmpose --dataset coco2017
 ```
 
-- **合并数据集的元信息** 决定了标注格式，可以是子数据集的元信息，也可以是自定义的元信息。如果要自定义元信息，可以参考 [创建自定义数据集的元信息文件](#创建自定义数据集的元信息文件)。
-- **KeypointConverter** 用于将不同的标注格式转换成统一的格式。比如将关键点个数不同、关键点排列顺序不同的数据集进行合并。
-- 更详细的说明请前往进阶教程-[混合数据集训练](../advanced_guides/mixed_datasets.md)。
+### 已支持的数据集
+
+下面是支持的数据集列表，更多数据集将在之后持续更新：
+
+#### 人体数据集
+
+| Dataset name  | Download command                          |
+| ------------- | ----------------------------------------- |
+| COCO 2017     | `mim download mmpose --dataset coco2017`  |
+| MPII          | `mim download mmpose --dataset mpii`      |
+| AI Challenger | `mim download mmpose --dataset aic`       |
+| CrowdPose     | `mim download mmpose --dataset crowdpose` |
+
+#### 人脸数据集
+
+| Dataset name | Download command                     |
+| ------------ | ------------------------------------ |
+| LaPa         | `mim download mmpose --dataset lapa` |
+| 300W         | `mim download mmpose --dataset 300w` |
+| WFLW         | `mim download mmpose --dataset wflw` |
+
+#### 手部数据集
+
+| Dataset name | Download command                           |
+| ------------ | ------------------------------------------ |
+| OneHand10K   | `mim download mmpose --dataset onehand10k` |
+| FreiHand     | `mim download mmpose --dataset freihand`   |
+| HaGRID       | `mim download mmpose --dataset hagrid`     |
+
+#### 全身数据集
+
+| Dataset name | Download command                      |
+| ------------ | ------------------------------------- |
+| Halpe        | `mim download mmpose --dataset halpe` |
+
+#### 动物数据集
+
+| Dataset name | Download command                      |
+| ------------ | ------------------------------------- |
+| AP-10K       | `mim download mmpose --dataset ap10k` |
+
+#### 服装数据集
+
+Coming Soon
diff --git a/setup.py b/setup.py
index 7222188e2f..c26bea7866 100644
--- a/setup.py
+++ b/setup.py
@@ -128,7 +128,9 @@ def add_mim_extension():
     else:
         return
 
-    filenames = ['tools', 'configs', 'demo', 'model-index.yml']
+    filenames = [
+        'tools', 'configs', 'demo', 'model-index.yml', 'dataset-index.yml'
+    ]
     repo_path = osp.dirname(__file__)
     mim_path = osp.join(repo_path, 'mmpose', '.mim')
     os.makedirs(mim_path, exist_ok=True)
diff --git a/tools/dataset_converters/scripts/preprocess_300w.sh b/tools/dataset_converters/scripts/preprocess_300w.sh
new file mode 100644
index 0000000000..bf405b5cc7
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_300w.sh
@@ -0,0 +1,8 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/300w/raw/300w.tar.gz.00 -C $DOWNLOAD_DIR/
+tar -xvf $DOWNLOAD_DIR/300w/300w.tar.00 -C $DATA_ROOT/
+rm -rf $DOWNLOAD_DIR/300w
diff --git a/tools/dataset_converters/scripts/preprocess_aic.sh b/tools/dataset_converters/scripts/preprocess_aic.sh
new file mode 100644
index 0000000000..726a61ca26
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_aic.sh
@@ -0,0 +1,7 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/AI_Challenger/raw/AI_Challenger.tar.gz -C $DATA_ROOT
+rm -rf $DOWNLOAD_DIR/AI_Challenger
diff --git a/tools/dataset_converters/scripts/preprocess_ap10k.sh b/tools/dataset_converters/scripts/preprocess_ap10k.sh
new file mode 100644
index 0000000000..a4c330157b
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_ap10k.sh
@@ -0,0 +1,8 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/AP-10K/raw/AP-10K.tar.gz.00 -C $DOWNLOAD_DIR/
+tar -xvf $DOWNLOAD_DIR/AP-10K/AP-10K.tar.00 -C $DATA_ROOT/
+rm -rf $DOWNLOAD_DIR/AP-10K
diff --git a/tools/dataset_converters/scripts/preprocess_coco2017.sh b/tools/dataset_converters/scripts/preprocess_coco2017.sh
new file mode 100644
index 0000000000..853975e26b
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_coco2017.sh
@@ -0,0 +1,9 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+unzip $DOWNLOAD_DIR/COCO_2017/raw/Images/val2017.zip -d $DATA_ROOT
+unzip $DOWNLOAD_DIR/COCO_2017/raw/Images/train2017.zip -d $DATA_ROOT
+unzip $DOWNLOAD_DIR/COCO_2017/raw/Annotations/annotations_trainval2017.zip -d $DATA_ROOT
+rm -rf $DOWNLOAD_DIR/COCO_2017
diff --git a/tools/dataset_converters/scripts/preprocess_crowdpose.sh b/tools/dataset_converters/scripts/preprocess_crowdpose.sh
new file mode 100644
index 0000000000..3215239585
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_crowdpose.sh
@@ -0,0 +1,7 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/CrowdPose/raw/CrowdPose.tar.gz -C $DATA_ROOT
+rm -rf $DOWNLOAD_DIR/CrowdPose
diff --git a/tools/dataset_converters/scripts/preprocess_freihand.sh b/tools/dataset_converters/scripts/preprocess_freihand.sh
new file mode 100644
index 0000000000..b3567cb5d7
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_freihand.sh
@@ -0,0 +1,7 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/FreiHAND/raw/FreiHAND.tar.gz -C $DATA_ROOT
+rm -rf $DOWNLOAD_DIR/FreiHAND
diff --git a/tools/dataset_converters/scripts/preprocess_hagrid.sh b/tools/dataset_converters/scripts/preprocess_hagrid.sh
new file mode 100644
index 0000000000..de2356541c
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_hagrid.sh
@@ -0,0 +1,8 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+cat $DOWNLOAD_DIR/HaGRID/raw/*.tar.gz.*  | tar -xvz -C $DATA_ROOT/..
+tar -xvf $DATA_ROOT/HaGRID.tar -C $DATA_ROOT/..
+rm -rf $DOWNLOAD_DIR/HaGRID
diff --git a/tools/dataset_converters/scripts/preprocess_halpe.sh b/tools/dataset_converters/scripts/preprocess_halpe.sh
new file mode 100644
index 0000000000..103d6202f9
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_halpe.sh
@@ -0,0 +1,8 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/Halpe/raw/Halpe.tar.gz.00 -C $DOWNLOAD_DIR/
+tar -xvf $DOWNLOAD_DIR/Halpe/Halpe.tar.00 -C $DATA_ROOT/
+rm -rf $DOWNLOAD_DIR/Halpe
diff --git a/tools/dataset_converters/scripts/preprocess_lapa.sh b/tools/dataset_converters/scripts/preprocess_lapa.sh
new file mode 100644
index 0000000000..977442c1b8
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_lapa.sh
@@ -0,0 +1,7 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/LaPa/raw/LaPa.tar.gz -C $DATA_ROOT
+rm -rf $DOWNLOAD_DIR/LaPa
diff --git a/tools/dataset_converters/scripts/preprocess_mpii.sh b/tools/dataset_converters/scripts/preprocess_mpii.sh
new file mode 100644
index 0000000000..287b431897
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_mpii.sh
@@ -0,0 +1,7 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/MPII_Human_Pose/raw/MPII_Human_Pose.tar.gz -C $DATA_ROOT
+rm -rf $DOWNLOAD_DIR/MPII_Human_Pose
diff --git a/tools/dataset_converters/scripts/preprocess_onehand10k.sh b/tools/dataset_converters/scripts/preprocess_onehand10k.sh
new file mode 100644
index 0000000000..47f6e8942c
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_onehand10k.sh
@@ -0,0 +1,8 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/OneHand10K/raw/OneHand10K.tar.gz.00 -C $DOWNLOAD_DIR/
+tar -xvf $DOWNLOAD_DIR/OneHand10K/OneHand10K.tar.00 -C $DATA_ROOT/
+rm -rf $DOWNLOAD_DIR/OneHand10K
diff --git a/tools/dataset_converters/scripts/preprocess_wflw.sh b/tools/dataset_converters/scripts/preprocess_wflw.sh
new file mode 100644
index 0000000000..723d1d158e
--- /dev/null
+++ b/tools/dataset_converters/scripts/preprocess_wflw.sh
@@ -0,0 +1,8 @@
+#!/usr/bin/env bash
+
+DOWNLOAD_DIR=$1
+DATA_ROOT=$2
+
+tar -zxvf $DOWNLOAD_DIR/WFLW/raw/WFLW.tar.gz.00 -C $DOWNLOAD_DIR/
+tar -xvf $DOWNLOAD_DIR/WFLW/WFLW.tar.00 -C $DATA_ROOT/
+rm -rf $DOWNLOAD_DIR/WFLW