#coreml Repositórios
Descubra 38 repositórios ativos de código aberto no GitHub marcados com #coreml, acumulando um total de 188,710 estrelas (uma média de 4,966 por projeto). O líder deste tópico é ultralytics/yolov5, com 58,290 estrelas.
38 repositórios no total
Ultralytics YOLOv5 no PyTorch para detecção de objetos, segmentação de instâncias, classificação, treinamento e exportação.
Visualizador para modelos de redes neurais, aprendizado profundo e aprendizado de máquina
Implementação em PyTorch de YOLOv3, YOLOv3-SPP e YOLOv3-tiny para detecção de objetos em tempo real com treinamento, validação, inferência e exportação em múltiplos formatos.
Uma biblioteca de Gradient Boosting em Árvores de Decisão rápida, escalável e de alto desempenho, usada para ranking, classificação, regressão e outras tarefas de aprendizado de máquina para Python, R, Java, C++. Suporta computação em CPU e GPU.
MMdnn é um conjunto de ferramentas para ajudar os usuários a interoperar entre diferentes frameworks de deep learning. Por exemplo, conversão e visualização de modelos. Converta modelos entre Caffe, Keras, MXNet, Tensorflow, CNTK, PyTorch Onnx e CoreML.
As ferramentas Core ML contêm ferramentas de suporte para conversão, edição e validação de modelos Core ML.
Um repositório para armazenar modelos que foram interconvertidos entre vários frameworks. Os frameworks suportados são TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite (Float32/16/INT8), EdgeTPU, CoreML.
TNN: desenvolvido pelo Tencent Youtu Lab e Guangying Lab, uma estrutura uniforme de inferência de aprendizado profundo para dispositivos móveis, desktop e servidor. O TNN se distingue por várias características notáveis, incluindo sua capacidade de plataforma cruzada (cross-platform), alto desempenho, compressão de modelo e poda de código (code pruning). Baseado em ncnn e Rapidnet, o TNN reforça ainda mais o suporte e a otimização de desempenho para dispositivos móveis, e também aproveita as vantagens de boa extensibilidade e alto desempenho de esforços de código aberto existentes.
Modelos de áudio CoreML de ponta em seus aplicativos — texto para fala, fala para texto, detecção de atividade de voz e diarização de locutores. Em Swift, desenvolvido com código aberto SOTA.
📚 Lista selecionada de artigos, tutoriais e repositórios que podem ajudar você a se aprofundar um pouco mais em iOS [e Plataformas Apple].
Use o AnimeGANv3 para criar suas próprias animações, incluindo transformar fotos ou vídeos em anime.
Core ML model zoo para iOS/macOS — modelos PyTorch convertidos em .mlpackage prontos para uso, cada um com um script de conversão e um aplicativo de exemplo em SwiftUI. Repositórios relacionados cobrem o framework Core AI da Apple (iOS/macOS 27) e LLMs locais (on-device).
Guia Apple Silicon. Saiba tudo sobre os chips A17 Pro, A16 Bionic, R1, série M1, série M2 e série M3. Juntamente com todos os Dispositivos, Sistemas Operacionais, Ferramentas, Jogos e Software que o Apple Silicon impulsiona.
Decisões tipadas locais do Laya no Apple Core ML e Neural Engine. Portes validados, decisões curtas de aproximadamente 5 ms no M3 Max e benchmarks reproduzíveis de velocidade e consumo de energia.
Separação fácil de elementos (como instrumental/vocais) a partir da interface de linha de comando (CLI) ou como um pacote Python, utilizando uma variedade de modelos pré-treinados fantásticos (principalmente do UVR)
Pacote Swift para implementar uma API no estilo transformers em Swift
Kit de ferramentas de fala por IA para Apple Silicon — ASR, TTS, fala-para-fala, VAD e diarização alimentados por MLX e CoreML
Linguagem de programação visual escrita em Swift que se compila para código Swift executável.
Implementação oficial em PyTorch de "EdgeSAM: Destilação de Prompt-In-the-Loop para Implantação em Dispositivo de SAM"
Uma ferramenta para converter arquivos ONNX para LiteRT/TFLite/TensorFlow, código nativo do PyTorch (nn.Module), TorchScript (.pt), state_dict (.pt), Exported Program (.pt2) e Dynamo ONNX. Também suporta conversão direta de LiteRT para PyTorch.
Uma câmera projetada em Swift para integrar facilmente modelos CoreML, além de transmissão de imagens, detecção de QR/Barra e muitas outras funcionalidades.
Camada de memória compartilhada em um único arquivo para todos os seus agentes, RAG em menos de um milissegundo para texto, fotos e vídeo no Apple Silicon. Sem servidor. Sem API. Um arquivo. Swift puro.
OCR rápido e offline para Node.js e C++. PP-OCRv6 com aceleração de hardware por Core ML / WebGPU — reconhece texto em imagens com pontuações de confiança e coordenadas. npm: @arcships/light-ocr
Uso local do computador em Apple silicon: decisões tipadas no dispositivo com laya e preenchimento de formulários com CUA-S1-FORMS, por meio da API de acessibilidade do macOS
Poder computacional máximo, largura de banda da memória e latência de CPUs, GPUs e NPUs: os mesmos testes por meio de todas as APIs que acessam um dispositivo. Linha de comando e aplicativo para Windows, macOS, Linux e Android
Aplicativo iOS Ultralytics YOLO e pacote Swift para inferência Core ML em tempo real nas principais tarefas de visão computacional.
Plugin oficial Ultralytics YOLO para Flutter, destinado à inferência em tempo real no Android e iOS para as principais tarefas de visão computacional.
🔎 SimilaritySearchKit é um pacote Swift que fornece incorporações de texto no dispositivo e funcionalidade de pesquisa semântica para aplicativos iOS e macOS.
Perguntas Frequentes
Qual é o repositório de #coreml mais popular no GitHub?
O projeto de código aberto de #coreml mais bem classificado no GitHub é ultralytics/yolov5, com 58,290 estrelas. Ultralytics YOLOv5 no PyTorch para detecção de objetos, segmentação de instâncias, classificação, treinamento e exportação.
Quais linguagens de programação são mais usadas nos repositórios de #coreml?
Entre os projetos de #coreml mais bem classificados no GitHub, as linguagens de programação mais comuns são Swift, Python, C++, JavaScript.
Como é calculada a classificação dos repositórios de #coreml?
Acompanhamos 38 repositórios ativos de código aberto marcados com #coreml (com mais de 500 estrelas), totalizando 188,710 estrelas e uma média de 4,966 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.