#openvino Repositories
Entdecke 27 aktive Open-Source-GitHub-Repositories, die mit #openvino getaggt sind und insgesamt 109,429 Sterne gesammelt haben (durchschnittlich 4,052 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist llmware-ai/llmware mit 14,820 Sternen.
Insgesamt 27 Repositories
Einheitlicher Rahmen für den Aufbau von Enterprise-RAG-Pipelines mit kleinen, spezialisierten Modellen
OpenVINO™ ist ein Open-Source-Toolkit zur Optimierung und Bereitstellung von KI-Inferenz.
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/
📄 Beeindruckendes OCR-Toolkit für mehrere Programmiersprachen basierend auf ONNX Runtime, OpenVINO, MNN, PaddlePaddle, TensorRT und PyTorch.
Go-Paket für Computer Vision mit OpenCV 4 und höher. Enthält Unterstützung für DNN, CUDA, OpenCV Contrib und OpenVINO.
Eine Anomalieerkennungsbibliothek, die hochmoderne Algorithmen und Funktionen wie Experimentmanagement, Hyperparameteroptimierung und Edge-Inferenz umfasst.
NanoDet-Plus⚡Super schnelles und leichtgewichtiges Anker-freies Objekterkennungsmodell. 🔥Nur 980 KB (int8) / 1,8 MB (fp16) und läuft mit 97 FPS auf Mobiltelefonen🔥
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.
Vortrainierte Deep-Learning-Modelle und Demos (hohe Qualität und extrem schnell)
Schnelle und genaue Human-Pose-Schätzung in PyTorch. Enthält die Implementierung des Papers "Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose".
Eine Reihe von KI-gestützten Effekten, Generatoren und Analysewerkzeugen für Audacity®.
Ein einfach zu bedienendes und leistungsstarkes KI-Bereitstellungs-Framework | An Easy-to-Use and High-Performance AI Deployment Framework
Dieser Kurs soll Anfänger durch die spannende Welt der Edge AI führen und behandelt grundlegende Konzepte, beliebte Modelle, Inferenztechniken, gerätespezifische Anwendungen, Modelloptimierung und die Entwicklung intelligenter Edge AI-Agenten.
Erstellen, trainieren, optimieren und betreiben Sie Computer-Vision-Modelle lokal – von Rohbildern bis zur Live-Inferenz. Open Source und für Intel® XPU optimiert (CUDA wird ebenfalls unterstützt).
Framework für neuronale Netzwerkkompression für verbesserte OpenVINO™-Inferenz
AI PC Starter-App für KI-Bilderstellung, Bildstiländerung und Chatbot auf einem PC mit einer Intel® Arc™ GPU.
Ein skalierbarer Inferenz-Server für mit OpenVINO™ optimierte Modelle
Die weltweit schnellste ANPR-/ALPR-Implementierung für CPUs, GPUs, VPUs und NPUs auf Basis von Transformers (ONNX, TensorFlow Lite, TensorRT, Hailo, OpenVINO, RKNN2 ...). Unterstützt mehrere Zeichensätze (lateinisch, koreanisch, chinesisch), Betriebssysteme (Jetson, Android, Raspberry Pi, Linux, Windows) und Architekturen (ARM, x86).
Das Deep Learning Streamer (DL Streamer) Pipeline Framework ist ein Open-Source-Framework für Streaming-Media-Analysen, das auf dem Multimedia-Framework GStreamer* basiert und zur Erstellung komplexer Media-Analyse-Pipelines für die Cloud oder am Edge entwickelt wurde.
Häufig gestellte Fragen
Welches ist das beliebteste #openvino-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#openvino-Projekt auf GitHub ist llmware-ai/llmware mit 14,820 Sternen. Einheitlicher Rahmen für den Aufbau von Enterprise-RAG-Pipelines mit kleinen, spezialisierten Modellen
Welche Programmiersprachen werden in #openvino-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #openvino-Projekten auf GitHub sind Python, C++, Jupyter Notebook, Go die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #openvino-Repositories berechnet?
Wir verfolgen 27 aktive Open-Source-Repositories, die mit #openvino getaggt sind (500+ Sterne), mit insgesamt 109,429 Sternen und durchschnittlich 4,052 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.