#mlops Repositories
Entdecke 227 aktive Open-Source-GitHub-Repositories, die mit #mlops getaggt sind und insgesamt 1,047,565 Sterne gesammelt haben (durchschnittlich 4,614 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist GokuMohandas/Made-With-ML mit 50,112 Sternen.
Insgesamt 227 Repositories
Lernen Sie, wie man produktionsreife ML-Anwendungen entwickelt, bereitstellt und iteriert.
Apache Airflow - Eine Plattform zum programmgesteuerten Erstellen, Planen und Überwachen von Workflows
Qdrant – Hochleistungsfähige Vektordatenbank und Vektorsuchmaschine in massivem Maßstab für die nächste Generation von KI. Auch in der Cloud verfügbar https://cloud.qdrant.io/
Die Open-Source-KI-Ingenieurplattform für Agenten, LLMs und ML-Modelle. MLflow ermöglicht es Teams aller Größen, produktionsreife KI-Anwendungen zu debuggen, auszuwerten, zu überwachen und zu optimieren, während Kosten kontrolliert und der Zugriff auf Modelle und Daten verwaltet wird.
Label Studio ist ein Tool zur Beschriftung und Annotation von Daten mehrerer Typen mit standardisiertem Ausgabeformat
End-to-End, code-first Tutorials zum Erstellen von produktionsreifen GenAI-Agenten. Vom Prototyp bis zum Enterprise-Deployment.
Eine kuratierte Liste toller Open-Source-Bibliotheken zum Bereitstellen, Überwachen, Versionieren und Skalieren Ihres Machine Learning
Evals ist ein Framework zur Bewertung von LLMs und LLM-Systemen und ein Open-Source-Repository von Benchmarks.
Verwandelt Daten und KI-Algorithmen im Handumdrehen in produktionsreife Webanwendungen.
[WIP] Ressourcen für KI-Ingenieure. Enthält auch unterstützende Materialien für das Buch "AI Engineering" (Chip Huyen, 2025)
Weaviate ist eine Open-Source-Vektordatenbank, die sowohl Objekte als auch Vektoren speichert und die Kombination von Vektorsuche mit strukturiertem Filtern mit der Fehlertoleranz und Skalierbarkeit einer cloud-nativen Datenbank ermöglicht.
Eine Orchestrierungsplattform für die Entwicklung, Produktion und Beobachtung von Datenassets.
Kostenloser MLOps-Kurs von DataTalks.Club. Hier registrieren 👇🏼, um über die nächste Kohorte benachrichtigt zu werden
Führen Sie beliebige Open-Source-LLMs wie DeepSeek und Llama als OpenAI-kompatiblen API-Endpunkt in der Cloud aus.
NVIDIA Cosmos ist eine offene Plattform von Weltmodellen, Datensätzen und Werkzeugen, die es Entwicklern ermöglicht, physische KI für Roboter, autonome Fahrzeuge, intelligente Infrastruktur und mehr zu entwickeln.
TensorZero ist eine Open-Source-LLMOps-Plattform, die ein LLM-Gateway, Observability, Evaluierung, Optimierung und Experimentierung vereint.
Die AI-Entwicklerplattform. Verwenden Sie Weights & Biases, um Modelle zu trainieren und feinabzustimmen und Modelle von der Experimentierphase bis zur Produktion zu verwalten.
Kedro ist eine Toolbox für produktionsreife Data Science. Sie nutzt Best Practices der Software-Engineering, um Ihnen bei der Erstellung von reproduzierbaren, wartbaren und modularen Data-Engineering- und Data-Science-Pipelines zu helfen.
Beispiel-📓 Jupyter-Notebooks, die zeigen, wie man Machine-Learning-Modelle mit 🧠 Amazon SageMaker erstellt, trainiert und bereitstellt.
Dieses Repository enthält eine kuratierte Sammlung von über 300 Fallstudien von mehr als 80 Unternehmen, die praktische Anwendungen und Einblicke in das Design von Systemen für maschinelles Lernen (ML) beschreiben. Die Inhalte sind so organisiert, dass Sie relevante Fallstudien leicht nach Branche oder spezifischen ML-Anwendungsfällen finden können.
Die KI-Compute-Plattform für Spitzenteams. SkyPilot verwandelt fragmentierte KI-Rechenleistung in einen KI-Supercomputer, sodass Spitzenteams schneller maßgeschneiderte Intelligenz entwickeln.
Open-Source, Low-Code-AutoML-Plattform für Python. PyCaret 4.0: sklearn-nativer Engine + React-Steuerungsebene.
Deeplake ist eine AI Data Runtime für Agents. Sie bietet serverlosen Postgres mit einem multimodalen Datalake, der skalierbare Retrieval- und Training-Funktionen ermöglicht.
Der einfachste Weg, AI-Apps und -Modelle zu hosten - Erstellen Sie Model Inference APIs, Job-Warteschlangen, LLM-Apps, Multi-Model-Pipelines und mehr!
Evidently ist ein Open-Source-Framework für ML- und LLM-Observability. Bewerten, testen und überwachen Sie jedes KI-gestützte System oder jede Datenpipeline. Von tabellarischen Daten bis zu Gen AI. Über 100 Metriken.
Typsichere, verteilte Orchestrierung von Agenten, ML-Pipelines und Echtzeit-Inferenz auf Ihrem k8s – in reinem Python mit async/await sowie in weiteren Sprachen (Rust, Go und TypeScript)
Offenes Lakehouse-Format für multimodale KI. Konvertieren Sie mit 2 Codezeilen von Parquet für 100-mal schnelleren Direktzugriff, Vektorindizierung und Datenversionierung. Kompatibel mit Pandas, DuckDB, Polars, Pyarrow und PyTorch, weitere Integrationen folgen.
ClearML - Auto-magisches CI/CD zur Vereinfachung Ihrer AI-Workload. Experiment Management, Data Management, Pipeline, Orchestration, Scheduling & Serving in einer MLOps/LLMOps-Lösung
Stellen Sie KI-Agenten in Minuten, nicht in Monaten, in Google Cloud bereit. Produktionsreife Vorlagen mit integrierter CI/CD, Evaluierung und Beobachtbarkeit.
Programmatischer Zugriff auf Gemini Notebook – über Befehlszeilenschnittstelle (CLI), Model Context Protocol (MCP)-Server und KI-Agenten-Fähigkeiten.
Aim 💫 — Ein benutzerfreundlicher und leistungsstarker Open-Source-Experiment-Tracker.
Dieses Repository ist eine kuratierte Sammlung von Links zu verschiedenen Kursen und Ressourcen über Künstliche Intelligenz (KI)
Standardisierte verteilte generative und prädiktive KI-Inferenzplattform für skalierbare, Multi-Framework-Bereitstellung auf Kubernetes
Fehlerverzeihende, hoch skalierbare GPU-Orchestrierung und ein Machine-Learning-Framework, das für das Training von Modellen mit Milliarden bis Billionen von Parametern entwickelt wurde
Eine fantastische & kuratierte Liste der besten LLMOps-Tools für Entwickler
Häufig gestellte Fragen
Welches ist das beliebteste #mlops-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#mlops-Projekt auf GitHub ist GokuMohandas/Made-With-ML mit 50,112 Sternen. Lernen Sie, wie man produktionsreife ML-Anwendungen entwickelt, bereitstellt und iteriert.
Welche Programmiersprachen werden in #mlops-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #mlops-Projekten auf GitHub sind Python, Jupyter Notebook, Go, Rust die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #mlops-Repositories berechnet?
Wir verfolgen 227 aktive Open-Source-Repositories, die mit #mlops getaggt sind (500+ Sterne), mit insgesamt 1,047,565 Sternen und durchschnittlich 4,614 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.