#gym Dépôts
Découvrez 33 dépôts GitHub open source actifs associés à #gym, cumulant 137,060 étoiles au total (soit une moyenne de 4,153 étoiles par projet). Le projet en tête de ce thème est hasaneyldrm/exercises-dataset, avec 23,938 étoiles.
33 dépôts au total
Jeu de données de fitness de 1 324 exercices — GIFs animés, vignettes 180×180, données sur les groupes musculaires et les équipements, et instructions étape par étape en 6 langues. La couche de données d'exercices derrière l'application LogPress.
Suivi open source des entraînements en salle et au poids du corps, désormais disponible sur l’App Store (iPhone + Apple Watch) et sous forme d’APK Android. Planifiez vos séances, consignez vos entraînements, découvrez les muscles sollicités et importez vos données depuis Strong, Hevy ou FitNotes. Hébergez l’application vous-même ou utilisez-la uniquement sur votre téléphone.
Version PyTorch de Stable Baselines, implémentations fiables d'algorithmes d'apprentissage par renforcement.
Une API standard pour les environnements d'apprentissage par renforcement à agent unique, avec des environnements de référence populaires et des utilitaires associés (anciennement Gym)
Implémentation en un seul fichier de haute qualité d'algorithmes d'apprentissage par renforcement profond avec des fonctionnalités conviviales pour la recherche (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
🏋 Plateforme moderne de coaching fitness open-source. Créez des plans d'entraînement, suivez vos progrès et accédez à une base de données complète d'exercices.
Un framework open source d'apprentissage par renforcement pour former, évaluer et déployer des agents de trading robustes.
Un framework d'entraînement pour les agents d'apprentissage par renforcement Stable Baselines3, avec optimisation des hyperparamètres et agents pré-entraînés inclus.
Environnements Gymnasium PyBullet pour l'apprentissage par renforcement single et multi-agent du contrôle de quadricoptère
Carnet de salle de sport hors ligne pour Android. Aucun compte, aucune publicité, aucun accès à Internet.
[NeurIPS 2023 Spotlight] LightZero: Un benchmark unifié pour la recherche arborescente Monte Carlo dans des scénarios généraux de prise de décision séquentielle (MCTS impressionnant)
[NeurIPS 2025 Spotlight] Environnements de Raisonnement pour l'Apprentissage par Renforcement avec Récompenses Vérifiables
Moteur d'exécution d'environnement parallèle haute performance basé sur C++ (environnement vectorisé) pour les environnements RL généraux.
Algorithme Asynchronous Advantage Actor-Critic (A3C) pour Super Mario Bros
Environnements d'apprentissage par renforcement pour le contrôle des feux de circulation avec SUMO. Compatible avec Gymnasium, PettingZoo et les bibliothèques RL populaires.
Bibliothèque modulaire d'apprentissage par renforcement (RL) (implémentée en PyTorch, JAX et NVIDIA Warp) avec prise en charge de Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground et d'autres environnements
Codes sources pour le livre "Reinforcement Learning: Theory and Python Implementation"
Environnements PyBullet CartPole et Quadrotor — avec dynamique symbolique a priori de CasADi — pour le contrôle basé sur l'apprentissage et le RL
[EMNLP 2026] MobileGym : une plateforme de simulation vérifiable et hautement parallèle pour la recherche sur les agents d'interface graphique mobile · Simulateur Android hébergé dans le navigateur · Évaluation vérifiable · Entraînement RL en ligne évolutif
Package Contrib pour Stable-Baselines3 - Code expérimental d'apprentissage par renforcement (RL)
VMAS est un simulateur différentiable vectorisé conçu pour le benchmarking efficace de l'apprentissage par renforcement multi-agent. Il est composé d'un moteur physique 2D vectorisé écrit en PyTorch et d'un ensemble de scénarios multi-robots stimulants. Des scénarios supplémentaires peuvent être implémentés via une interface simple et modulaires.
Une application multiplateforme pour suivre vos séances de musculation en salle
Implémentations d'algorithmes d'Apprentissage par Renforcement Multi-Objectif.
Foire aux questions
Quel est le dépôt #gym le plus populaire sur GitHub ?
Le projet #gym open source le mieux classé sur GitHub est hasaneyldrm/exercises-dataset, avec 23,938 étoiles. Jeu de données de fitness de 1 324 exercices — GIFs animés, vignettes 180×180, données sur les groupes musculaires et les équipements, et instructions étape par étape en 6 langues. La couche de données d'exercices derrière l'application LogPress.
Quels langages de programmation sont les plus utilisés dans les dépôts #gym ?
Parmi les projets #gym les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, TypeScript, HTML, Dart.
Comment le classement des dépôts #gym est-il calculé ?
Nous suivons 33 dépôts open source actifs associés à #gym (500+ étoiles), totalisant 137,060 étoiles, avec une moyenne de 4,153 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.