#edge-ai Dépôts
Découvrez 84 dépôts GitHub open source actifs associés à #edge-ai, cumulant 340,999 étoiles au total (soit une moyenne de 4,059 étoiles par projet). Le projet en tête de ce thème est exo-explore/exo, avec 48,516 étoiles.
84 dépôts au total
Serveur haute performance pour NATS.io, le système de messagerie natif cloud et edge.
Intelligence agentique, vocale et visuelle de moins de 50 Mo pour les appareils grand public.
Modèles de fondation natifs de l’appareil : 145B sur un ordinateur portable, 35B sur un téléphone. MoE latent, poids diffusés depuis le SSD et routeur qui prédit les charges avec une étape d’avance. Mac, iPhone, Android, Windows.
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.
Appareil facile à utiliser pour connecter des unités de mesure "anciennes" (eau, électricité, gaz, ...) au monde numérique
LiteRT-LM est le framework d'inférence open source de Google, prêt pour la production et hautes performances, destiné au déploiement de grands modèles de langage sur des appareils de périphérie.
Quantification sur 2 bits, noyaux et environnement d’exécution pour les appareils grand public.
Un nœud Android centré sur l’humain et économe en ressources, destiné à l’informatique en périphérie et à l’apprentissage fédéré. Il orchestre l’intelligence distribuée grâce à une localisation privilégiant la confidentialité et à une gestion attentionnée du matériel.
Un moteur d'inférence tout-en-un, pur C++, pour les modèles audio, propulsé par ggml. Prend en charge TTS, STT, VAD, conversion vocale, génération musicale, etc., avec des performances hautement optimisées. Aucune dépendance Python.
FEDML – La bibliothèque ML unifiée et évolutive pour l'entraînement distribué à grande échelle, la mise à disposition de modèles et l'apprentissage fédéré. FEDML Launch, un planificateur inter-cloud, permet en outre d'exécuter n'importe quel travail d'IA sur n'importe quel cloud GPU ou cluster sur site. Basée sur cette bibliothèque, TensorOpera AI (https://TensorOpera.ai) est votre plateforme d'IA générative à grande échelle.
VILA est une famille de modèles de langage visuel (VLM) de pointe pour diverses tâches d'IA multimodales dans les environnements edge, de centre de données et cloud.
[MLSys 2024 Best Paper Award] AWQ : Quantification des poids sensible à l'activation pour la compression et l'accélération des LLM
Une bibliothèque d'apprentissage profond pour la recherche sur la compréhension vidéo.
Le couteau suisse de l'IA hors ligne. Discutez, voyez, parlez et générez des images sur votre téléphone ou Mac — LLM GGUF, vision, transcription vocale Whisper, Stable Diffusion, appels d'outils et serveurs réseau locaux. Fonctionne sur votre CPU, GPU ou NPU. Aucun compte, aucune clé API, aucune donnée ne quitte votre appareil.
Un cœur d'accélérateur d'apprentissage automatique conçu pour une IA économe en énergie en périphérie.
Assistant IA en temps réel pour les lunettes intelligentes Meta Ray‑Ban — voix + vision + actions agentiques via Gemini Live et OpenClaw
Moteur d’IA de périphérie en C++ de niveau production pour l’analyse vidéo et les VLM sur appareil sur Sophon, Rockchip RKNN et x86, avec orchestration visuelle, OSD en temps réel, événements et benchmarks reproductibles.
Liaisons Python pour DeepStream SDK et applications d'exemple
Vitis AI est la pile de développement de Xilinx pour l'inférence IA sur les plateformes matérielles Xilinx, incluant à la fois les appareils de bord et les cartes Alveo.
Ce cours est conçu pour guider les débutants dans le monde passionnant de l'IA en périphérie (Edge AI), couvrant les concepts fondamentaux, les modèles populaires, les techniques d'inférence, les applications spécifiques aux appareils, l'optimisation des modèles et le développement d'agents IA intelligents en périphérie.
Ce dépôt contient l'implémentation officielle des articles de recherche « MobileCLIP » CVPR 2024 et « MobileCLIP2 » TMLR Août 2025
Le moyen le plus simple et le plus rapide d'exécuter des LLM personnalisés et affinés localement ou en périphérie
Passerelle d’apprentissage profond sur Raspberry Pi et d’autres appareils périphériques
Un tutoriel montrant comment entraîner, convertir et exécuter des modèles de détection d'objets TensorFlow Lite sur des appareils Android, Raspberry Pi, et plus encore !
Instructions sur la façon d'utiliser l'API temps réel sur les microcontrôleurs et les plateformes embarquées
L'ESP-BOX est une plateforme de développement AIoT de nouvelle génération publiée par Espressif Systems.
SQLite-Vector est une extension SQLite multiplateforme et ultra-efficace qui apporte des capacités de recherche vectorielle à votre base de données embarquée.
Un parcours de lecture sur l’ingénierie des performances des CPU, d’une seule instruction jusqu’à l’inférence en production. Uniquement des sources primaires, avec un benchmark exécutable pour chaque section.
Moteur d'inférence C++ prêt pour la production, multiplateforme, pour les modèles YOLO (v5‑v12, YOLO26). API unifiée pour la détection, la segmentation, l'estimation de pose, OBB et la classification. Construit sur ONNX Runtime et OpenCV. Optimisé pour CPU/GPU avec prise en charge de la quantification.
Hub de la biodiversité de Microsoft AI for Good Lab : catalogue de projets, documentation et navigation pour l’IA au service de la conservation, SPARROW et MegaDetector.
Maximiser la capacité à exécuter différents LLM sur les appareils les plus petits possible
Foire aux questions
Quel est le dépôt #edge-ai le plus populaire sur GitHub ?
Le projet #edge-ai open source le mieux classé sur GitHub est exo-explore/exo, avec 48,516 étoiles. Exécutez Frontier AI localement.
Quels langages de programmation sont les plus utilisés dans les dépôts #edge-ai ?
Parmi les projets #edge-ai les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, C, Jupyter Notebook.
Comment le classement des dépôts #edge-ai est-il calculé ?
Nous suivons 84 dépôts open source actifs associés à #edge-ai (500+ étoiles), totalisant 340,999 étoiles, avec une moyenne de 4,059 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.