Visor de modelos de redes neuronales, deep learning y machine learning, compatible con ONNX, TensorFlow, PyTorch, Core ML y muchos otros formatos.
33,7 mil+26 esta semana3,2 milJavaScriptMITBien mantenidoActualizado ayer
deepjavalibrary/djl
Un framework de deep learning para Java independiente del motor que permite crear, entrenar y ejecutar modelos con una API nativa de Java.
- Estrellas
- 4,860
- Forks
- 762
- Issues abiertos
- 236
- Último commit
- hace 5 días
¿Qué es?
Deep Java Library (DJL) es un framework de alto nivel de deep learning para Java. Integra motores existentes como PyTorch, TensorFlow, MXNet y ONNX Runtime detrás de una sola API de Java, para que los desarrolladores puedan trabajar con modelos sin tener que aprender un stack de Python aparte.
DJL funciona como una biblioteca Java convencional y se integra con los IDE y las herramientas de compilación estándar. Ofrece un catálogo de modelos para cargar modelos preentrenados para tareas como la detección de objetos, además de bloques de redes neuronales integrados, conjuntos de datos como MNIST y API de configuración del entrenamiento para entrenar modelos directamente en Java. También selecciona automáticamente CPU o GPU según la configuración del hardware.
Como el motor está abstraído, los proyectos no quedan ligados a un solo backend y pueden cambiar de motor más adelante. El proyecto está dirigido a desarrolladores de Java que quieren añadir inferencia o entrenamiento de machine learning a aplicaciones Java existentes.
Funciones clave
- 01API independiente del motor, compatible con PyTorch, TensorFlow, MXNet y ONNX Runtime.
- 02Catálogo de modelos preentrenados para cargar modelos según la aplicación y la arquitectura.
- 03Bloques de redes neuronales y conjuntos de datos integrados para entrenar en Java.
- 04Selección automática de CPU o GPU según el hardware.
- 05Compilación estándar basada en Gradle, compatible con los IDE de Java más comunes.
Casos de uso
- Añadir clasificación de imágenes o detección de objetos a un servicio backend de Java existente.
- Ejecutar inferencias con modelos preentrenados de ONNX o PyTorch dentro de una aplicación de la JVM.
- Entrenar redes neuronales pequeñas en Java para equipos que prefieren no usar Python.
- Aprender conceptos de deep learning con una base de código nativa de Java.
Inicio rápido
- 1
Lee la guía de introducción en la documentación
- 2
Compila el proyecto desde el código fuente en Linux o macOS
./gradlew build - 3
Compila desde el código fuente en Windows
gradlew build
Antes de usarlo
- Para compilar desde el código fuente se necesita una cadena de herramientas de Gradle y un entorno de desarrollo de Java.
- Según el backend que elijas, puede ser necesario configurar bibliotecas nativas específicas del motor.
Temas
Preguntas frecuentes
- ¿Qué es djl?
- Un framework de deep learning para Java independiente del motor que permite crear, entrenar y ejecutar modelos con una API nativa de Java. Deep Java Library (DJL) es un framework de alto nivel de deep learning para Java. Integra motores existentes como PyTorch, TensorFlow, MXNet y ONNX Runtime detrás de una sola API de Java, para que los desarrolladores puedan trabajar con modelos sin tener que aprender un stack de Python aparte.
- ¿djl es gratuito? ¿Qué licencia tiene?
- djl es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿djl sigue mantenido?
- Mantenimiento activo. El último commit de djl fue el 2 nov 2026.
- ¿Para qué puedo usar djl?
- Añadir clasificación de imágenes o detección de objetos a un servicio backend de Java existente. Ejecutar inferencias con modelos preentrenados de ONNX o PyTorch dentro de una aplicación de la JVM. Entrenar redes neuronales pequeñas en Java para equipos que prefieren no usar Python. Aprender conceptos de deep learning con una base de código nativa de Java.
- ¿Cómo se instala djl?
- Lee la guía de introducción en la documentación Compila el proyecto desde el código fuente en Linux o macOS: ./gradlew build Compila desde el código fuente en Windows: gradlew build
- ¿Dónde consigo djl?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/deepjavalibrary/djl
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Acelerador multiplataforma para ejecutar modelos de ML exportados al formato ONNX, con compatibilidad para entrenar mediante scripts de PyTorch.
22,3 mil+60 esta semana4,4 milC++MITActualizado hace 13 horas
Framework de inferencia de redes neuronales de alto rendimiento en C++ para ejecutar modelos de deep learning en dispositivos móviles, integrados y de escritorio.
24 mil+19 esta semana4,5 milC++OtherActualizado hace 20 horas
Paquete de Python que convierte redes neuronales de Keras, PyTorch y ONNX en código HLS para ejecutar inferencias de ML en FPGAs.
2,2 mil+4 esta semana615PythonApache-2.0Actualizado anteayer
Framework de deep learning para Python que ofrece operaciones con tensores aceleradas por GPU y redes neuronales dinámicas basadas en autograd.
105,2 mil+187 esta semana31,3 milPythonOtherActualizado hace 13 horas
Un framework minimalista de deep learning con una API de tensores similar a PyTorch, autograd, un compilador y compatibilidad con numerosos aceleradores.
33,8 mil+36 esta semana4,4 milPythonMITActualizado hace 14 horas