#coreml Repositories
Entdecke 38 aktive Open-Source-GitHub-Repositories, die mit #coreml getaggt sind und insgesamt 188,710 Sterne gesammelt haben (durchschnittlich 4,966 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist ultralytics/yolov5 mit 58,290 Sternen.
Insgesamt 38 Repositories
Ultralytics YOLOv5 in PyTorch für Objekterkennung, Instanzsegmentierung, Klassifizierung, Training und Export.
PyTorch-Implementierung von YOLOv3, YOLOv3-SPP und YOLOv3-tiny für Echtzeit-Objekterkennung mit Training, Validierung, Inferenz und Export in verschiedene Formate.
Eine schnelle, skalierbare, hochperformante Gradient Boosting on Decision Trees Bibliothek, die für Ranking, Klassifikation, Regression und andere Machine-Learning-Aufgaben für Python, R, Java, C++ verwendet wird. Unterstützt Berechnungen auf CPU und GPU.
MMdnn ist eine Sammlung von Tools, die Benutzern helfen, zwischen verschiedenen Deep-Learning-Frameworks zu interoperieren. Z. B. Modellkonvertierung und -visualisierung. Konvertieren von Modellen zwischen Caffe, Keras, MXNet, Tensorflow, CNTK, PyTorch, ONNX und CoreML.
Core ML-Tools enthalten unterstützende Tools für die Konvertierung, Bearbeitung und Validierung von Core ML-Modellen.
Ein Repository zur Speicherung von Modellen, die zwischen verschiedenen Frameworks umgewandelt wurden. Unterstützte Frameworks sind TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.
TNN: Entwickelt vom Tencent Youtu Lab und Guangying Lab, ein einheitliches Deep-Learning-Inferenz-Framework für Mobilgeräte, Desktops und Server. TNN zeichnet sich durch mehrere herausragende Merkmale aus, darunter plattformübergreifende Kompatibilität, hohe Leistung, Modellkomprimierung und Codebereinigung. Basierend auf ncnn und Rapidnet stärkt TNN die Unterstützung und Leistungsoptimierung für mobile Geräte weiter und nutzt auch die Vorteile guter Erweiterbarkeit und hoher Leistung aus bestehenden Open-Source-Bemühungen.
Frontier CoreML Audio-Modelle in Ihren Apps – Text-to-Speech, Speech-to-Text, Voice Activity Detection und Sprecher-Diarisierung. In Swift, angetrieben von SOTA Open Source.
📚 Kuratierte Liste von Artikeln, Tutorials und Repos, die Ihnen helfen können, tiefer in iOS [und Apple-Plattformen] einzutauchen.
Verwenden Sie AnimeGANv3, um Ihre eigenen Animationswerke zu erstellen, einschließlich der Umwandlung von Fotos oder Videos in Anime.
Core ML Model Zoo für iOS/macOS — PyTorch-Modelle, konvertiert in einsatzbereite .mlpackage-Dateien, jeweils mit Konvertierungsskript und SwiftUI-Beispiel-App. Zugehörige Repositories decken Apples Core AI-Framework (iOS/macOS 27) und On-Device-LLMs ab.
Apple Silicon Guide. Erfahren Sie alles über die Chips A17 Pro, A16 Bionic, R1, M1-Serie, M2-Serie und M3-Serie. Zusammen mit allen Geräten, Betriebssystemen, Werkzeugen, Spielen und Software, die Apple Silicon antreibt.
Lokale typisierte Laya-Entscheidungen auf Apple Core ML und der Neural Engine. Validierte Portierungen, kurze Entscheidungen von etwa 5 ms auf dem M3 Max sowie reproduzierbare Benchmarks für Geschwindigkeit und Energieverbrauch.
Einfache Trennung von Stems (z. B. Instrumental-/Gesangsspuren) über die Befehlszeile oder als Python-Paket, unter Verwendung einer Vielzahl von erstaunlichen vortrainierten Modellen (hauptsächlich von UVR)
Swift-Paket zur Implementierung einer Transformer-ähnlichen API in Swift
KI-Sprach-Toolkit für Apple Silicon — ASR, TTS, Speech-to-Speech, VAD und Diarization, unterstützt von MLX und CoreML
Visuelle Programmiersprache, geschrieben in Swift, die zu ausführbarem Swift-Code assembliert wird.
Offizielle PyTorch-Implementierung von "EdgeSAM: Prompt-In-the-Loop-Destillation für die On-Device-Bereitstellung von SAM"
Ein Tool zur Konvertierung von ONNX-Dateien in LiteRT/TFLite/TensorFlow, PyTorch-Nativer Code (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) und Dynamo ONNX. Es unterstützt auch die direkte Konvertierung von LiteRT zu PyTorch.
Eine kuratierte Sammlung von iOS-, ML- und AR-Ressourcen, gewürzt mit einigen UI-Elementen.
Eine Kamera, die in Swift entwickelt wurde, um CoreML-Modelle einfach zu integrieren, sowie Bildstreaming, QR/Barcode-Erkennung und viele weitere Funktionen.
Gemeinsame Speicher-Schicht in einer einzigen Datei für all Ihre Agenten, RAG mit weniger als einer Millisekunde für Text, Fotos und Videos auf Apple Silicon. Kein Server. Keine API. Eine Datei. Reines Swift.
Schnelle Offline-OCR für Node.js und C++. PP-OCRv6 mit Core-ML-/WebGPU-Hardwarebeschleunigung – erkennt Text in Bildern mit Konfidenzwerten und Koordinaten. npm: @arcships/light-ocr
Lokale Computernutzung auf Apple silicon: typisierte Entscheidungen direkt auf dem Gerät mit laya und Formularausfüllung mit CUA-S1-FORMS über die macOS-API für Bedienungshilfen
Maximale Rechenleistung, Speicherbandbreite und Latenz von CPUs, GPUs und NPUs: dieselben Tests über jede API, die auf ein Gerät zugreift. Kommandozeile und App für Windows, macOS, Linux und Android
Ultralytics YOLO iOS-App und Swift-Paket für Echtzeit-Core-ML-Inferenz bei wichtigen Computer-Vision-Aufgaben.
Offizielles Ultralytics-YOLO-Flutter-Plugin für Echtzeit-Inferenz auf Android und iOS bei den wichtigsten Bildverarbeitungsaufgaben.
🔎 SimilaritySearchKit ist ein Swift-Paket, das Text-Embeddings und semantische Suchfunktionen auf dem Gerät für iOS- und macOS-Anwendungen bereitstellt.
Häufig gestellte Fragen
Welches ist das beliebteste #coreml-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#coreml-Projekt auf GitHub ist ultralytics/yolov5 mit 58,290 Sternen. Ultralytics YOLOv5 in PyTorch für Objekterkennung, Instanzsegmentierung, Klassifizierung, Training und Export.
Welche Programmiersprachen werden in #coreml-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #coreml-Projekten auf GitHub sind Swift, Python, C++, JavaScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #coreml-Repositories berechnet?
Wir verfolgen 38 aktive Open-Source-Repositories, die mit #coreml getaggt sind (500+ Sterne), mit insgesamt 188,710 Sternen und durchschnittlich 4,966 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.