#coreml Repository
Scopri 38 repository GitHub open source attivi contrassegnati con #coreml, che raccolgono un totale di 188,710 stelle (con una media di 4,966 stelle per progetto). Il progetto leader di questo argomento è ultralytics/yolov5, con 58,290 stelle.
38 repository in totale
Ultralytics YOLOv5 in PyTorch per rilevamento oggetti, segmentazione di istanze, classificazione, addestramento ed esportazione.
Visualizzatore per modelli di reti neurali, apprendimento profondo e apprendimento automatico
Implementazione PyTorch di YOLOv3, YOLOv3-SPP e YOLOv3-tiny per il rilevamento di oggetti in tempo reale con addestramento, validazione, inferenza ed esportazione in più formati.
Una libreria Gradient Boosting on Decision Trees veloce, scalabile e ad alte prestazioni, utilizzata per ranking, classificazione, regressione e altre attività di machine learning per Python, R, Java, C++. Supporta il calcolo su CPU e GPU.
MMdnn è un insieme di strumenti per aiutare gli utenti a interoperare tra diversi framework di deep learning. Ad es. conversione e visualizzazione dei modelli. Convertire modelli tra Caffe, Keras, MXNet, Tensorflow, CNTK, PyTorch, ONNX e CoreML.
Gli strumenti Core ML contengono strumenti di supporto per la conversione, l'editing e la validazione dei modelli Core ML.
Un repository per l'archiviazione di modelli che sono stati convertiti tra vari framework. I framework supportati sono TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.
TNN: sviluppato da Tencent Youtu Lab e Guangying Lab, un framework di inferenza deep learning uniforme per dispositivi mobili, desktop e server. TNN si distingue per diverse caratteristiche eccezionali, tra cui la capacità multipiattaforma, le elevate prestazioni, la compressione dei modelli e la potatura del codice. Basato su ncnn e Rapidnet, TNN rafforza ulteriormente il supporto e l'ottimizzazione delle prestazioni per i dispositivi mobili, attingendo anche ai vantaggi di buona estensibilità e alte prestazioni dagli sforzi open source esistenti.
Modelli audio Frontier CoreML nelle tue app: text-to-speech, speech-to-text, voice activity detection e speaker diarization. In Swift, basato su SOTA open source.
📚 Elenco curato di articoli, tutorial e repository che possono aiutarti a scavare un po' più a fondo in iOS [e le piattaforme Apple]。
Usa AnimeGANv3 per creare le tue opere animate, inclusa la trasformazione di foto o video in anime.
Core ML model zoo per iOS/macOS — Modelli PyTorch convertiti in .mlpackage pronti all'uso, ognuno con uno script di conversione e un'app di esempio in SwiftUI. I repository correlati coprono il framework Core AI di Apple (iOS/macOS 27) e gli LLM on-device.
Apple Silicon Guide. Scopri tutto sui chip A17 Pro, A16 Bionic, R1, serie M1, serie M2 e serie M3. Insieme a tutti i dispositivi, sistemi operativi, strumenti, giochi e software che Apple Silicon alimenta.
Decisioni tipizzate Laya locali su Apple Core ML e Neural Engine. Port validati, decisioni brevi di circa 5 ms su M3 Max e benchmark riproducibili di velocità e consumo energetico.
Facile separazione degli stem (ad es. strumentale/vocale) dalla CLI o come pacchetto Python, utilizzando una varietà di incredibili modelli pre-addestrati (principalmente da UVR)
Pacchetto Swift per implementare un'API simile a transformers in Swift
Toolkit vocale IA per Apple Silicon — ASR, TTS, voce-su-voce, VAD e diarizzazione alimentati da MLX e CoreML
Linguaggio di programmazione visivo scritto in Swift che si assembla in codice Swift eseguibile.
Implementazione PyTorch ufficiale di "EdgeSAM: Prompt-In-the-Loop Distillation per il deployment on-device di SAM"
Uno strumento per convertire file ONNX in LiteRT/TFLite/TensorFlow, codice nativo PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) e Dynamo ONNX. Supporta anche la conversione diretta da LiteRT a PyTorch.
Una raccolta curata di risorse iOS, ML e AR, arricchita da alcune aggiunte UI.
Una fotocamera progettata in Swift per integrare facilmente modelli CoreML, oltre alla trasmissione di immagini, alla rilevazione di QR/Codici a barre e molte altre funzionalità.
Livello di memoria condiviso in un singolo file per tutti i tuoi agenti, RAG in meno di un millisecondo su testo, foto e video su Apple Silicon. Nessun server. Nessuna API. Un file. Swift puro.
OCR veloce e offline per Node.js e C++. PP-OCRv6 con accelerazione hardware Core ML / WebGPU: riconosce il testo nelle immagini fornendo punteggi di affidabilità e coordinate. npm: @arcships/light-ocr
Uso locale del computer su Apple silicon: decisioni tipizzate sul dispositivo con laya e compilazione di moduli con CUA-S1-FORMS, tramite l’API di accessibilità di macOS
Potenza di calcolo massima, larghezza di banda della memoria e latenza di CPU, GPU e NPU: gli stessi test tramite ogni API che consente di accedere a un dispositivo. Riga di comando e app per Windows, macOS, Linux e Android
App iOS Ultralytics YOLO e pacchetto Swift per l'inferenza Core ML in tempo reale nelle principali attività di visione artificiale.
Plugin Flutter ufficiale di Ultralytics YOLO per l’inferenza in tempo reale su Android e iOS nelle principali attività di visione artificiale.
🔎 SimilaritySearchKit è un pacchetto Swift che fornisce funzionalità di incorporamento del testo su dispositivo e ricerca semantica per applicazioni iOS e macOS.
Domande frequenti
Qual è il repository #coreml più popolare su GitHub?
Il progetto open source #coreml più alto in classifica su GitHub è ultralytics/yolov5, con 58,290 stelle. Ultralytics YOLOv5 in PyTorch per rilevamento oggetti, segmentazione di istanze, classificazione, addestramento ed esportazione.
Quali linguaggi di programmazione sono più utilizzati nei repository #coreml?
Tra i progetti #coreml più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Swift, Python, C++, JavaScript.
Come viene calcolata la classifica dei repository #coreml?
Monitoriamo 38 repository open source attivi contrassegnati con #coreml (500+ stelle), per un totale di 188,710 stelle e una media di 4,966 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.