#mlops Dépôts
Découvrez 227 dépôts GitHub open source actifs associés à #mlops, cumulant 1,047,565 étoiles au total (soit une moyenne de 4,614 étoiles par projet). Le projet en tête de ce thème est GokuMohandas/Made-With-ML, avec 50,112 étoiles.
227 dépôts au total
Apprenez à développer, déployer et itérer sur des applications ML de qualité production.
Apache Airflow - Une plateforme pour créer, planifier et surveiller des workflows de manière programmatique
Qdrant – Base de données vectorielle et moteur de recherche vectorielle haute performance et à grande échelle pour la prochaine génération d'IA. Également disponible dans le cloud https://cloud.qdrant.io/
La plateforme d'ingénierie IA open source pour les agents, les LLM et les modèles ML. MLflow permet aux équipes de toutes tailles de déboguer, évaluer, surveiller et optimiser des applications IA de qualité production tout en contrôlant les coûts et en gérant l'accès aux modèles et aux données.
Label Studio est un outil d'étiquetage et d'annotation de données multi-types avec un format de sortie standardisé
Tutoriels de bout en bout, code-first pour construire des agents GenAI de qualité production. Du prototype au déploiement en entreprise.
Une liste curated de bibliothèques open source géniales pour déployer, surveiller, versionner et scaler votre machine learning
Evals est un framework pour l'évaluation des LLM et des systèmes LLM, et un registre open-source de benchmarks.
Transforme les données et les algorithmes d'IA en applications web prêtes pour la production en un rien de temps.
[WIP] Ressources pour les ingénieurs IA. Contient également du matériel de soutien pour le livre AI Engineering (Chip Huyen, 2025)
Weaviate est une base de données vectorielle open-source qui stocke à la fois des objets et des vecteurs, permettant la combinaison de la recherche vectorielle avec un filtrage structuré avec la tolérance aux pannes et l'évolutivité d'une base de données native du cloud.
Une plateforme d'orchestration pour le développement, la production et l'observation des actifs de données.
Cours MLOps gratuit de DataTalks.Club. Inscrivez-vous ici 👇🏼 pour être informé de la prochaine promotion
La boîte à outils d'entraînement ultime pour le réglage fin des modèles de diffusion
Exécutez n'importe quel LLM open-source, tel que DeepSeek et Llama, en tant qu'endpoint API compatible avec OpenAI dans le cloud.
NVIDIA Cosmos est une plateforme ouverte de modèles du monde, de jeux de données et d'outils qui permet aux développeurs de construire une IA physique pour les robots, les véhicules autonomes, les infrastructures intelligentes et plus encore.
TensorZero est une plateforme open-source LLMOps qui unifie un gateway LLM, l'observabilité, l'évaluation, l'optimisation et l'expérimentation.
La plateforme pour les développeurs d'IA. Utilisez Weights & Biases pour entraîner et affiner les modèles, et gérer les modèles de l'expérimentation à la production.
Kedro est une boîte à outils pour la data science prête pour la production. Elle utilise les meilleures pratiques d'ingénierie logicielle pour vous aider à créer des pipelines d'ingénierie des données et de data science qui sont reproductibles, maintenables et modulaires.
Exemples de carnets Jupyter 📓 démontrant comment construire, entraîner et déployer des modèles d'apprentissage automatique en utilisant 🧠 Amazon SageMaker.
Ce dépôt contient une collection organisée de plus de 300 études de cas provenant de plus de 80 entreprises, détaillant les applications pratiques et les aperçus de la conception de systèmes d'apprentissage automatique (ML). Le contenu est organisé pour vous aider à trouver facilement des études de cas pertinentes en fonction du secteur ou de cas d'utilisation spécifiques du ML.
La plateforme de calcul IA pour les équipes de pointe. SkyPilot transforme le calcul IA fragmenté en un superordinateur IA, permettant aux équipes de pointe de construire plus rapidement une intelligence personnalisée.
Plateforme AutoML open-source low-code pour Python. PyCaret 4.0 : moteur natif sklearn + plan de contrôle React.
Deeplake est une AI Data Runtime pour Agents. Elle fournit un Postgres sans serveur avec un datalake multimodal, permettant une récupération et un entraînement scalables.
La manière la plus simple de servir des applications et modèles IA - Créez des API d'inférence de modèles, des files d'attente de tâches, des applications LLM, des pipelines multi-modèles et plus encore !
Evidently est un framework open-source d'observabilité ML et LLM. Évaluez, testez et surveillez tout système alimenté par l'IA ou pipeline de données. Des données tabulaires à Gen AI. Plus de 100 métriques.
Orchestration distribuée et sûre du point de vue des types d’agents, de pipelines de ML et d’inférence en temps réel sur votre k8s — en Python pur avec async/await, ainsi que dans d’autres langages (Rust, Go et TypeScript)
Format Lakehouse ouvert pour l'IA multimodale. Convertissez depuis Parquet en 2 lignes de code pour un accès aléatoire 100 fois plus rapide, un index vectoriel et la gestion de version des données. Compatible avec Pandas, DuckDB, Polars, Pyarrow et PyTorch, avec d'autres intégrations à venir.
ClearML - CI/CD Auto-Magique pour rationaliser votre charge de travail IA. Gestion d'Expériences, Gestion de Données, Pipeline, Orchestration, Planification et Service dans une solution MLOps/LLMOps
Déployez des Agents d'IA sur Google Cloud en quelques minutes, et non en quelques mois. Des modèles prêts pour la production avec CI/CD, évaluation et observabilité intégrés.
Accès programmatique à Gemini Notebook - via une interface de ligne de commande (CLI), un serveur de protocole de contexte de modèle (MCP) et des compétences d'agent IA.
Ce dépôt est une collection organisée de liens vers divers cours et ressources sur l'intelligence artificielle (IA)
Plateforme d'inférence IA générative et prédictive distribuée standardisée pour un déploiement scalable et multi-framework sur Kubernetes
Orchestration GPU tolérante aux pannes, hautement scalable, et un framework d'apprentissage automatique conçu pour entraîner des modèles avec des milliards à des trillions de paramètres
Une liste impressionnante et organisée des meilleurs outils LLMOps pour les développeurs
Foire aux questions
Quel est le dépôt #mlops le plus populaire sur GitHub ?
Le projet #mlops open source le mieux classé sur GitHub est GokuMohandas/Made-With-ML, avec 50,112 étoiles. Apprenez à développer, déployer et itérer sur des applications ML de qualité production.
Quels langages de programmation sont les plus utilisés dans les dépôts #mlops ?
Parmi les projets #mlops les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Go, Rust.
Comment le classement des dépôts #mlops est-il calculé ?
Nous suivons 227 dépôts open source actifs associés à #mlops (500+ étoiles), totalisant 1,047,565 étoiles, avec une moyenne de 4,614 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.