#onnx Repositories
Entdecke 130 aktive Open-Source-GitHub-Repositories, die mit #onnx getaggt sind und insgesamt 603,969 Sterne gesammelt haben (durchschnittlich 4,645 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist ultralytics/yolov5 mit 58,290 Sternen.
Insgesamt 130 Repositories
Ultralytics YOLOv5 in PyTorch für Objekterkennung, Instanzsegmentierung, Klassifizierung, Training und Export.
Das Repository bietet Code zur Ausführung von Inferenz mit dem SegmentAnything Model (SAM), Links zum Herunterladen der trainierten Modell-Checkpoints und Beispiel-Notebooks, die zeigen, wie das Modell verwendet wird.
ncnn ist ein Hochleistungs-Inferenz-Framework für neuronale Netze, optimiert für mobile Plattformen
ONNX Runtime: Cross-Plattform, hochleistungsstarker ML-Inferenz- und Trainingsbeschleuniger
Burn ist eine Tensorbibliothek der nächsten Generation und ein Deep-Learning-Framework, das keine Kompromisse bei Flexibilität, Effizienz und Portabilität eingeht.
Spracherkennung, Sprachsynthese, Sprecherdiarisierung, Sprachverbesserung, Quellentrennung und VAD unter Verwendung der nächsten Generation von Kaldi mit onnxruntime ohne Internetverbindung. Unterstützung für eingebettete Systeme, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, RK NPU, Axera NPU, Ascend NPU, x86_64-Server, Websocket-Server/-Client, Unterstützung für 12 Programmiersprachen
Einheitlicher Rahmen für den Aufbau von Enterprise-RAG-Pipelines mit kleinen, spezialisierten Modellen
Blitzschnelle, geräteinterne, mehrsprachige TTS — nativ über ONNX lauffähig.
LangChain4j ist eine idiomatische, open-source Java-Bibliothek zum Erstellen von LLM-gestützten Anwendungen auf der JVM. Sie bietet eine einheitliche API über beliebte LLM-Anbieter und Vektorspeicher und erleichtert die Implementierung von Tool-Aufrufen (einschließlich MCP-Unterstützung), Agents und RAG. Sie integriert sich nahtlos in Enterprise-Java-Frameworks wie Quarkus und Spring Boot.
🏄 Skalierbare Einbettung, Begründung, Rangierung für Bilder und Sätze mit CLIP
PyTorch-Implementierung von YOLOv3, YOLOv3-SPP und YOLOv3-tiny für Echtzeit-Objekterkennung mit Training, Validierung, Inferenz und Export in verschiedene Formate.
YOLOX ist ein leistungsstarkes ankerfreies YOLO, das yolov3~v5 übertrifft und von MegEngine, ONNX, TensorRT, ncnn und OpenVINO unterstützt wird. Dokumentation: https://yolox.readthedocs.io/
Begleitcode in "Praktischem Tutorial zum Training von PyTorch-Modellen"
Go-Paket für Computer Vision mit OpenCV 4 und höher. Enthält Unterstützung für DNN, CUDA, OpenCV Contrib und OpenVINO.
Entfernen Sie Hintergründe aus Bildern direkt im Browser, einfach und ohne zusätzliche Kosten oder Datenschutzbedenken. Erkunden Sie eine interaktive Demo.
[AAAI 2025] Offizielle Implementierung von "OOTDiffusion: Outfitting Fusion based Latent Diffusion for Controllable Virtual Try-on"
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.
Einfache und verteilte Machine-Learning-Python-Bibliothek zur Portierung von ML-Algorithmen für Spark
Ein autonomer, kontextsensitiver KI-Desktopbegleiter. Mit Python entwickelt, bietet er Echtzeit-Bildschirmerkennung, benutzerdefinierte ONNX-Sprachsynthese, die Erfassung des aktiven Fensters und eine dynamische, schwebende Benutzeroberfläche mit reaktiven Gesichtsausdrücken.
Deep-Learning-Visualisierungs-Toolkit („Fly Paddle“ Deep-Learning-Visualisierungstool )
RuVector bietet leistungsstarke Echtzeit-Entscheidungsfindung und Agentengedächtnis, selbstlernende KI sowie eine in Rust entwickelte Vektor-GNN-Datenbank.
Ein OBS-Plugin zum Entfernen des Hintergrunds in Porträtbildern (Video), das den Austausch des Hintergrunds bei der Aufnahme oder beim Streaming erleichtert.
Ein mehrsprachiges TTS-Modell mit 100 Millionen Parametern für Echtzeit-Inferenz auf der CPU, Stimmenklonen und Stereoerzeugung mit 48 kHz
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.
Ob Sie nun ein absoluter Anfänger im Kurs sind, Projektanwendungen in CV, NLP, LLM verfolgen oder die fortschrittliche ingenieurmäßige Bereitstellung und Implementierung anstreben, in „Praktischer Pytorch-Leitfaden“ (2. Auflage) finden Sie alles. Wir glauben, dass Leser mit Hilfe dieses Buches die Verwendung von PyTorch mühelos meistern und ausgezeichnete Deep-Learning-Ingenieure werden können.
Tengine ist ein leichter, hochperformanter, modularer Inferenz-Engine für eingebettete Geräte.
Ein leichtes C++-KI-Toolkit: über 100 Modelle mit MNN, ORT und TRT, einschließlich Det, Seg, Stable-Diffusion, Face-Fusion.
Ein retargetbarer MLIR-basierter Compiler und Runtime-Toolkit für maschinelles Lernen.
Müheloses KI-gestütztes Datenlabeling dank KI-Unterstützung von YOLO, Segment Anything (SAM+SAM2/2.1+SAM3) und MobileSAM!!
Beschleunigen Sie Inferenz und Training von 🤗 Transformers, Diffusers, TIMM und Sentence Transformers mit einfach zu bedienenden Hardware-Optimierungswerkzeugen
DAMO-YOLO: eine schnelle und genaue Objekterkennungsmethode mit einigen neuen Techniken, darunter NAS-Backbones, effizientes RepGFPN, ZeroHead, AlignedOTA und Destillationsverbesserung.
Die offizielle PyTorch-Implementierung von Towards Fast, Accurate and Stable 3D Dense Face Alignment, ECCV 2020.
[CVPR 2025 Best Paper Nomination] FoundationStereo: Zero-Shot Stereo Matching
AudioMuse-AI nutzt Klanganalyse, um vergessene Songs wiederzuentdecken, verborgene Verbindungen in Ihrer Musikbibliothek aufzudecken und intelligente Playlists für Navidrome, Jellyfin, LMS, Lyrion, Emby und Plex zu generieren: keine Metadaten oder externen Dienste erforderlich.
Häufig gestellte Fragen
Welches ist das beliebteste #onnx-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#onnx-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 #onnx-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #onnx-Projekten auf GitHub sind Python, C++, Rust, Jupyter Notebook die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #onnx-Repositories berechnet?
Wir verfolgen 130 aktive Open-Source-Repositories, die mit #onnx getaggt sind (500+ Sterne), mit insgesamt 603,969 Sternen und durchschnittlich 4,645 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.