gym

Jeu de données de 1 324 exercices de fitness : GIFs animés, vignettes 180×180, données sur les groupes musculaires et équipements, et instructions étape par étape en 6 langues. La couche de données d'exercices derrière l'application LogPress.

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, incluant des environnements de référence populaires et des utilitaires associés (anciennement Gym).

Implémentation haute qualité en fichier unique d'algorithmes d'apprentissage par renforcement profond avec des fonctionnalités adaptées à la recherche (PPO, DQN, C51, DDPG, TD3, SAC, PPG).

Plateforme de coaching sportif moderne et open source. Créez des plans d'entraînement, suivez vos progrès et accédez à une base de données complète d'exercices.

Suivi auto-hébergé, libre et open-source pour le fitness, l'entraînement, la nutrition et le poids.

Un framework d'entraînement pour les agents d'apprentissage par renforcement Stable Baselines3, incluant l'optimisation des hyperparamètres et des agents pré-entraînés.

MuZero

Framework distribué accéléré par GPU pour le calcul évolutionnaire. Bibliothèque complète d'algorithmes évolutionnaires et de problèmes de référence.

Environnements PyBullet Gymnasium pour l'apprentissage par renforcement multi-agents et mono-agent du contrôle de quadricoptères.

[NeurIPS 2023 Spotlight] LightZero : un benchmark unifié pour la recherche arborescente de Monte Carlo (MCTS) dans des scénarios de décision séquentielle généraux.

Moteur d'exécution d'environnement parallèle haute performance basé sur C++ (environnement vectorisé) pour les environnements RL généraux.

[NeurIPS 2025 Spotlight] Environnements de raisonnement pour l'apprentissage par renforcement avec récompenses vérifiables

Évaluer et améliorer les modèles et agents à l'aide d'environnements

Algorithme Asynchronous Advantage Actor-Critic (A3C) pour Super Mario Bros.

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

Environnements d'apprentissage par renforcement pour le contrôle des feux de signalisation avec SUMO. Compatible avec Gymnasium, PettingZoo et les bibliothèques RL populaires.

Codes sources du livre Reinforcement Learning: Theory and Python Implementation

Application de fitness/entraînement Flutter pour wger

Environnements PyBullet CartPole et Quadrotor, avec dynamique symbolique a priori CasADi, pour le contrôle basé sur l'apprentissage et l'apprentissage par renforcement (RL).

Framework unifié d'apprentissage par renforcement.

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 de contribution pour Stable-Baselines3 - Code expérimental d'apprentissage par renforcement (RL)

Une collection d'environnements multi-agents basés sur OpenAI gym.

VMAS est un simulateur vectorisé et différentiable conçu pour l'évaluation efficace de l'apprentissage par renforcement multi-agents. Il comprend un moteur physique 2D vectorisé écrit en PyTorch et un ensemble de scénarios multi-robots complexes. Des scénarios supplémentaires peuvent être implémentés via une interface simple et modulaire.

Une application multiplateforme pour suivre vos entraînements en salle de sport.

Implémentations d'algorithmes d'apprentissage par renforcement multi-objectifs.

Your workout logs visualized!

Un environnement d'entraînement (Gym) pour les LLM agents