#coreml Dépôts
Découvrez 38 dépôts GitHub open source actifs associés à #coreml, cumulant 188,710 étoiles au total (soit une moyenne de 4,966 étoiles par projet). Le projet en tête de ce thème est ultralytics/yolov5, avec 58,290 étoiles.
38 dépôts au total
Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
Visualiseur pour les modèles de réseaux de neurones, d'apprentissage profond et d'apprentissage automatique
Implémentation PyTorch de YOLOv3, YOLOv3-SPP et YOLOv3-tiny pour la détection d'objets en temps réel avec entraînement, validation, inférence et exportation multi-format.
Une bibliothèque Gradient Boosting sur arbres de décision rapide, scalable et haute performance, utilisée pour le ranking, la classification, la régression et d'autres tâches d'apprentissage automatique pour Python, R, Java, C++. Prend en charge le calcul sur CPU et GPU.
MMdnn est un ensemble d'outils pour aider les utilisateurs à interopérer entre différents frameworks d'apprentissage profond. Par ex. conversion et visualisation de modèles. Convertir des modèles entre Caffe, Keras, MXNet, Tensorflow, CNTK, PyTorch, ONNX et CoreML.
Les outils Core ML contiennent des outils de support pour la conversion, l'édition et la validation des modèles Core ML.
Un dépôt pour stocker des modèles qui ont été convertis mutuellement entre divers frameworks. Les frameworks pris en charge sont TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.
TNN : développé par Tencent Youtu Lab et Guangying Lab, un framework d'inférence d'apprentissage profond unifié pour mobile, bureau et serveur. TNN se distingue par plusieurs caractéristiques exceptionnelles, notamment sa capacité multiplateforme, ses hautes performances, la compression des modèles et l'élagage du code. Basé sur ncnn et Rapidnet, TNN renforce davantage le support et l'optimisation des performances pour les appareils mobiles, et tire également parti des avantages d'une bonne extensibilité et de hautes performances des efforts open source existants.
Modèles audio Frontier CoreML dans vos applications — synthèse vocale, reconnaissance vocale, détection d'activité vocale et diarisation des locuteurs. En Swift, propulsé par le libre accès SOTA.
📚 Liste curated d'articles, tutoriels et dépôts qui peuvent vous aider à creuser un peu plus profondément dans iOS [et les plateformes Apple]。
Utilisez AnimeGANv3 pour créer vos propres œuvres d'animation, y compris la transformation de photos ou de vidéos en anime.
Core ML model zoo pour iOS/macOS — Modèles PyTorch convertis en .mlpackage prêts à l'emploi, chacun avec un script de conversion et une application exemple en SwiftUI. Les dépôts associés couvrent le framework Core AI d'Apple (iOS/macOS 27) et les LLM sur appareil.
Guide Apple Silicon. Apprenez tout sur les puces A17 Pro, A16 Bionic, R1, séries M1, séries M2 et séries M3. Ainsi que tous les appareils, systèmes d'exploitation, outils, jeux et logiciels qu'Apple Silicon alimente.
Décisions typées Laya en local sur Apple Core ML et Neural Engine. Ports validés, décisions courtes d’environ 5 ms sur M3 Max, avec des benchmarks reproductibles de vitesse et de consommation énergétique.
Séparation facile des stems (par exemple, instrumental/vocal) depuis la ligne de commande ou en tant que package Python, en utilisant une variété de modèles pré-entraînés étonnants (principalement de UVR)
Package Swift pour implémenter une API de type transformers en Swift
Kit d'outils de parole IA pour Apple Silicon — ASR, TTS, parole-parole, VAD et diarisation propulsés par MLX et CoreML
Langage de programmation visuel écrit en Swift qui s'assemble en code Swift exécutable.
Implémentation PyTorch officielle de "EdgeSAM : distillation par boucle d'invites pour le déploiement sur appareil de SAM"
Un outil pour convertir les fichiers ONNX en LiteRT/TFLite/TensorFlow, code natif PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) et Dynamo ONNX. Il prend également en charge la conversion directe de LiteRT vers PyTorch.
Une collection triée de ressources iOS, ML et AR, agrémentée de quelques ajouts UI.
Un appareil photo conçu en Swift pour intégrer facilement des modèles CoreML, ainsi que le streaming d'images, la détection de QR/Codes-barres et bien d'autres fonctionnalités.
Couche mémoire partagée dans un fichier unique pour tous vos agents, RAG en moins d’une milliseconde sur du texte, des photos et des vidéos sur Apple Silicon. Aucun serveur. Aucune API. Un seul fichier. Swift pur.
OCR rapide et hors ligne pour Node.js et C++. PP-OCRv6 avec accélération matérielle Core ML / WebGPU — reconnaissez le texte dans les images avec des scores de confiance et des coordonnées. npm : @arcships/light-ocr
Utilisation locale de l’ordinateur sur Apple silicon : décisions typées sur l’appareil avec laya et remplissage de formulaires avec CUA-S1-FORMS, via l’API d’accessibilité de macOS
Puissance de calcul maximale, bande passante mémoire et latence des CPU, GPU et NPU : les mêmes tests via chaque API permettant d’accéder à un appareil. Ligne de commande et application pour Windows, macOS, Linux et Android
Application iOS Ultralytics YOLO et package Swift pour l'inférence Core ML en temps réel dans les principales tâches de vision par ordinateur.
Plugin Flutter officiel d’Ultralytics YOLO pour l’inférence en temps réel sur Android et iOS dans les principales tâches de vision.
🔎 SimilaritySearchKit est un package Swift qui fournit des intégrations de texte sur l'appareil et des fonctionnalités de recherche sémantique pour les applications iOS et macOS.
Foire aux questions
Quel est le dépôt #coreml le plus populaire sur GitHub ?
Le projet #coreml open source le mieux classé sur GitHub est ultralytics/yolov5, avec 58,290 étoiles. Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
Quels langages de programmation sont les plus utilisés dans les dépôts #coreml ?
Parmi les projets #coreml les mieux classés sur GitHub, les langages de programmation les plus courants sont Swift, Python, C++, JavaScript.
Comment le classement des dépôts #coreml est-il calculé ?
Nous suivons 38 dépôts open source actifs associés à #coreml (500+ étoiles), totalisant 188,710 étoiles, avec une moyenne de 4,966 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.