onnx

Ultralytics YOLOv5 en PyTorch pour la détection d'objets, la segmentation d'instances, la classification, l'entraînement et l'exportation.

Visualiseur pour réseaux de neurones, deep learning et modèles de machine learning.

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.

Standard ouvert pour l'interopérabilité de l'apprentissage automatique (machine learning).

Détection rapide et précise du type de contenu de fichier par IA.

Burn est une bibliothèque de tenseurs et un framework de Deep Learning de nouvelle génération qui ne fait aucun compromis sur la flexibilité, l'efficacité et la portabilité.

Cadre unifié pour la construction de pipelines RAG d'entreprise avec des modèles spécialisés de petite taille.

Transcription, synthèse vocale, diarisation, amélioration de la parole, séparation de sources et VAD utilisant la nouvelle génération de Kaldi avec onnxruntime, sans connexion Internet. Supporte les systèmes embarqués, Android, iOS, HarmonyOS, Raspberry Pi, RISC-V, NPU RK, NPU Axera, NPU Ascend, serveurs x86_64, client/serveur websocket, et 12 langages de programmation.

TTS multilingue ultra-rapide fonctionnant localement sur l'appareil via ONNX.

LangChain4j est une bibliothèque Java open-source idiomatique pour créer des applications basées sur des LLM sur la JVM. Elle offre une API unifiée pour les principaux fournisseurs de LLM et bases de données vectorielles, et facilite l'implémentation d'appels d'outils (incluant le support MCP), d'agents et de RAG. Elle s'intègre parfaitement aux frameworks Java d'entreprise comme Quarkus et Spring Boot.

🏄 Embedding, raisonnement et classement évolutifs pour les images et les phrases avec CLIP.

YOLOX est un modèle YOLO haute performance sans ancres, surpassant yolov3~v5 avec prise en charge de MegEngine, ONNX, TensorRT, ncnn et OpenVINO.

Implémentation PyTorch de YOLOv3, YOLOv3-SPP et YOLOv3-tiny pour la détection d'objets en temps réel, incluant l'entraînement, la validation, l'inférence et l'exportation multi-format.

Application de traduction en temps réel open source pour Android fonctionnant localement

Silero VAD : détecteur d'activité vocale pré-entraîné de qualité professionnelle.

Une collection de modèles pré-entraînés à la pointe de la technologie au format ONNX

Package Go pour la vision par ordinateur utilisant OpenCV 4 et versions ultérieures. Inclut le support pour DNN, CUDA, OpenCV Contrib et OpenVINO.

Supprimez facilement les arrière-plans d'images directement dans le navigateur, sans frais supplémentaires ni problèmes de confidentialité. Explorez une démo interactive.

Configurez et personnalisez votre environnement de deep learning en quelques secondes.

MMdnn est un ensemble d'outils facilitant l'interopérabilité entre différents frameworks de deep learning, tels que la conversion et la visualisation de modèles entre Caffe, Keras, MXNet, Tensorflow, CNTK, PyTorch, Onnx et CoreML.

Bibliothèque Python d'apprentissage automatique simple et distribuée, portant des algorithmes ML pour Spark

Boîte à outils de visualisation pour le deep learning (PaddlePaddle)

Dépôt pour stocker des modèles convertis entre divers frameworks, notamment TensorFlow, PyTorch, ONNX, OpenVINO, TFJS, TFTRT, TensorFlowLite, EdgeTPU et CoreML.

Tutoriel pratique PyTorch (2e édition) : couvre l'apprentissage pour débutants, les projets CV, NLP et LLM, ainsi que le déploiement en production. Ce livre permet de maîtriser PyTorch et de devenir un ingénieur en deep learning compétent.

Tengine est un moteur d'inférence modulaire, léger et haute performance pour appareils embarqués.

Implémentation de YOLOv4 en PyTorch, ONNX et TensorRT

Un plugin OBS pour supprimer l'arrière-plan des portraits (vidéo), facilitant le remplacement du fond lors de l'enregistrement ou du streaming.

RuVector est une base de données vectorielle GNN haute performance, temps réel et auto-apprenante, développée en Rust.

Une boîte à outils IA légère en C++ : plus de 100 modèles avec MNN, ORT et TRT, incluant la détection, la segmentation, Stable-Diffusion et Face-Fusion.