Ultralytics YOLOv5 es un kit de herramientas de visión artificial basado en PyTorch para detectar objetos, segmentar instancias y clasificar imágenes, con funciones de entrenamiento y exportación.
openvinotoolkit/openvino
Toolkit de código abierto para optimizar e implementar modelos de deep learning para inferencia en CPU, GPU y NPU de Intel.
- Estrellas
- 11,028
- Forks
- 3,472
- Issues abiertos
- 883
- Último commit
- hace 5 horas
¿Qué es?
OpenVINO es un toolkit de código abierto del proyecto OpenVINO para optimizar e implementar inferencia de IA. Toma modelos entrenados con frameworks como PyTorch, TensorFlow, ONNX, Keras, PaddlePaddle y JAX/Flax, los convierte sin necesidad del framework original durante la implementación y los ejecuta de forma eficiente en hardware compatible.
Entre los destinos de inferencia se incluyen CPU x86 y ARM, GPU integradas y discretas de Intel, y NPU de Intel. El proyecto ofrece API en C++, Python, C y NodeJS, además de una API GenAI para pipelines de LLM y modelos de difusión. Los modelos de Hugging Face Hub se pueden usar mediante Optimum Intel.
El ecosistema incluye Neural Network Compression Framework (NNCF) para cuantización y sparsity, OpenVINO Model Server para ofrecer modelos como servicio e integraciones con vLLM, ONNX Runtime, LangChain, LlamaIndex y torch.compile.
Funciones clave
- 01Convierte modelos de PyTorch, TensorFlow, ONNX, Keras, PaddlePaddle y JAX/Flax para inferencia.
- 02Ejecuta inferencia en CPU, GPU y NPU de Intel, incluidas CPU x86 y ARM.
- 03Ofrece API en C++, Python, C y NodeJS.
- 04Incluye una API GenAI para pipelines de LLM y modelos de difusión.
- 05Ofrece técnicas de compresión de modelos, como cuantización y sparsity, mediante NNCF.
Casos de uso
- Implementar modelos de visión artificial, como YOLO, en hardware de edge o servidor de Intel.
- Ejecutar chatbots locales con LLM o pipelines de texto a imagen en CPU o GPU de Intel.
- Acelerar modelos de reconocimiento de voz, como Whisper, en dispositivos compatibles.
- Integrar inferencia optimizada en flujos de trabajo existentes con ONNX Runtime o vLLM.
Inicio rápido
- 1
Instala OpenVINO con pip
pip install -U openvino - 2
Verifica la instalación mostrando la versión
python -c "import openvino as ov; print(ov.__version__)"
Antes de usarlo
- Está pensado para hardware Intel (CPU, GPU, NPU) para obtener los mejores resultados; en otros aceleradores, los beneficios son limitados.
Temas
Preguntas frecuentes
- ¿Qué es openvino?
- Toolkit de código abierto para optimizar e implementar modelos de deep learning para inferencia en CPU, GPU y NPU de Intel. OpenVINO es un toolkit de código abierto del proyecto OpenVINO para optimizar e implementar inferencia de IA. Toma modelos entrenados con frameworks como PyTorch, TensorFlow, ONNX, Keras, PaddlePaddle y JAX/Flax, los convierte sin necesidad del framework original durante la implementación y los ejecuta de forma eficiente en hardware compatible.
- ¿openvino es gratuito? ¿Qué licencia tiene?
- openvino es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿openvino sigue mantenido?
- Mantenimiento activo. El último commit de openvino fue el 20 oct 2026.
- ¿Para qué puedo usar openvino?
- Implementar modelos de visión artificial, como YOLO, en hardware de edge o servidor de Intel. Ejecutar chatbots locales con LLM o pipelines de texto a imagen en CPU o GPU de Intel. Acelerar modelos de reconocimiento de voz, como Whisper, en dispositivos compatibles. Integrar inferencia optimizada en flujos de trabajo existentes con ONNX Runtime o vLLM.
- ¿Cómo se instala openvino?
- Instala OpenVINO con pip: pip install -U openvino Verifica la instalación mostrando la versión: python -c "import openvino as ov; print(ov.__version__)"
- ¿Dónde consigo openvino?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/openvinotoolkit/openvino
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Aplicación de escritorio multiplataforma para etiquetar con ayuda de IA datos de texto, imágenes, video, nubes de puntos y datos multimodales, con modelos integrados y exportación a varios formatos.
Stack de inferencia en el dispositivo de PyTorch para ejecutar modelos exportados en teléfonos, laptops, navegadores y microcontroladores.
Framework de análisis de video en C++ que conecta nodos intercambiables para leer streams, ejecutar inferencias de modelos, hacer seguimiento y generar resultados.
Colección de 419 modelos de IA preentrenados para visión, voz, NLP y LLM, ejecutables desde una CLI de Python común mediante ailia SDK.
Un toolkit de Python que optimiza modelos ONNX reduciendo el número de operadores y manteniendo la precisión, con el objetivo de acelerar la inferencia.