#onnx Dépôts
Découvrez 130 dépôts GitHub open source actifs associés à #onnx, cumulant 603,969 étoiles au total (soit une moyenne de 4,645 étoiles par projet). Le projet en tête de ce thème est ultralytics/yolov5, avec 58,290 étoiles.
130 dépôts au total
Ultralytics YOLOv5 dans PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.
Le dépôt fournit le code pour exécuter l'inférence avec le modèle SegmentAnything (SAM), des liens pour télécharger les points de contrôle du modèle entraîné et des notebooks d'exemple qui montrent comment utiliser le modèle.
Visualiseur pour les modèles de réseaux de neurones, d'apprentissage profond et d'apprentissage automatique
ncnn est un framework d'inférence de réseaux de neurones haute performance optimisé pour les plateformes mobiles
ONNX Runtime : accélérateur d'inférence et d'entraînement ML multiplateforme haute performance
Burn est une bibliothèque de tenseurs de nouvelle génération et un framework de Deep Learning qui ne transige pas sur la flexibilité, l'efficacité et la portabilité.
Synthèse vocale, conversion de la parole en texte, diarisation des locuteurs, amélioration de la parole, séparation des sources et VAD utilisant la nouvelle génération de Kaldi avec onnxruntime sans connexion Internet. Prise en charge des systèmes embarqués, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, NPU RK, NPU Axera, NPU Ascend, serveurs x86_64, serveur/client websocket, prise en charge de 12 langages de programmation
Cadre unifié pour la création de pipelines RAG d'entreprise avec de petits modèles spécialisés
TTS multilingue ultra-rapide sur l'appareil — s'exécutant nativement via ONNX.
LangChain4j est une bibliothèque Java idiomatique et open-source pour construire des applications alimentées par des LLM sur la JVM. Elle offre une API unifiée sur les fournisseurs LLM populaires et les magasins de vecteurs, et facilite l'implémentation des appels d'outils (y compris le support MCP), des agents et du RAG. Elle s'intègre parfaitement avec les frameworks Java d'entreprise comme Quarkus et Spring Boot.
🏄 Incrustation évolutive, raisonnement, classement pour les images et les phrases avec CLIP
Silero VAD : Détecteur d'activité vocale pré-entraîné de niveau professionnel
Application de traduction open source en temps réel pour Android qui s'exécute localement
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.
YOLOX est un YOLO haute performance sans ancres, surpassant yolov3~v5 avec la prise en charge de MegEngine, ONNX, TensorRT, ncnn et OpenVINO. Documentation : https://yolox.readthedocs.io/
Code d'accompagnement dans "Tutoriel pratique de formation de modèles PyTorch"
Paquet Go pour la vision par ordinateur utilisant OpenCV 4 et au-delà. Inclut le support pour DNN, CUDA, OpenCV Contrib et OpenVINO.
Supprimez facilement les arrière-plans des images directement dans l'environnement du navigateur, sans frais supplémentaires ni problèmes de confidentialité. Explorez une démo interactive.
[AAAI 2025] Implémentation officielle de "OOTDiffusion: Outfitting Fusion based Latent Diffusion for Controllable Virtual Try-on"
Configurez et personnalisez l'environnement d'apprentissage profond en quelques secondes.
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.
Bibliothèque Python d'apprentissage automatique simple et distribué portant des algorithmes ML pour Spark
Un compagnon de bureau IA autonome et sensible au contexte. Développé en Python, il offre une vision de l’écran en temps réel, une synthèse vocale ONNX personnalisée, le suivi de la fenêtre active et une interface flottante dynamique aux expressions faciales réactives.
Kit d'Outils de Visualisation en Apprentissage Profond (Outil de visualisation en apprentissage profond „Fly Paddle“ )
RuVector fournit une prise de décision et une mémoire d’agents haute performance en temps réel, une IA auto-apprenante et une base de données GNN vectorielle développée en Rust.
Un plugin OBS pour supprimer l'arrière-plan des images portrait (vidéo), ce qui permet de remplacer facilement l'arrière-plan lors de l'enregistrement ou du streaming.
Un modèle TTS multilingue de 100 millions de paramètres pour l’inférence en temps réel sur CPU, le clonage de voix et la génération stéréo à 48 kHz
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.
Que vous soyez un débutant complet, une application de projet en CV, NLP, LLM, ou un déploiement et une mise en œuvre d'ingénierie avancée, vous trouverez tout dans « Tutoriel pratique PyTorch » (2e édition). Nous pensons qu'avec l'aide de ce livre, les lecteurs pourront maîtriser facilement l'utilisation de PyTorch et devenir d'excellents ingénieurs en apprentissage profond.
Tengine est un moteur d'inférence léger, haute performance et modulaire pour les appareils embarqués.
Une boîte à outils IA légère en C++ : plus de 100 modèles avec MNN, ORT et TRT, incluant Det, Seg, Stable-Diffusion, Face-Fusion.
Un compilateur et kit d'outils d'exécution pour l'apprentissage automatique basé sur MLIR et retargetable.
Étiquetage de données assisté par IA sans effort grâce au soutien IA de YOLO, Segment Anything (SAM+SAM2/2.1+SAM3) et MobileSAM!!
Accélérez l'inférence et l'entraînement de 🤗 Transformers, Diffusers, TIMM et Sentence Transformers avec des outils d'optimisation matérielle faciles à utiliser
DAMO-YOLO : une méthode de détection d'objets rapide et précise avec de nouvelles technologies, notamment des backbones NAS, un RepGFPN efficace, ZeroHead, AlignedOTA et une amélioration par distillation.
L'implémentation officielle PyTorch de Towards Fast, Accurate and Stable 3D Dense Face Alignment, ECCV 2020.
[Nomination du meilleur article CVPR 2025] FoundationStereo : correspondance stéréo sans supervision (Zero-Shot)
AudioMuse-AI utilise l'analyse sonore pour redécouvrir des chansons oubliées, révéler des connexions cachées dans votre bibliothèque musicale et générer des listes de lecture intelligentes pour Navidrome, Jellyfin, LMS, Lyrion, Emby et Plex : aucune métadonnée ou service externe requis.
Foire aux questions
Quel est le dépôt #onnx le plus populaire sur GitHub ?
Le projet #onnx 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 #onnx ?
Parmi les projets #onnx les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, C++, Rust, Jupyter Notebook.
Comment le classement des dépôts #onnx est-il calculé ?
Nous suivons 130 dépôts open source actifs associés à #onnx (500+ étoiles), totalisant 603,969 étoiles, avec une moyenne de 4,645 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.