Repolode
Enviar
deepjavalibrary

deepjavalibrary/djl

Um framework de deep learning para Java independente de engine, que permite criar, treinar e executar modelos com uma API nativa de Java.

Ver no GitHubSite
Estrelas
4,860
Forks
762
Issues abertas
236
Último commit
há 5 dias

O que é?

Deep Java Library (DJL) é um framework de deep learning de alto nível para Java. Ele integra engines existentes, como PyTorch, TensorFlow, MXNet e ONNX Runtime, por meio de uma única API Java, permitindo trabalhar com modelos sem precisar aprender uma stack Python separada.

O DJL funciona como uma biblioteca Java comum e se integra a IDEs e ferramentas de build padrão. Ele oferece um model zoo para carregar modelos pré-treinados para tarefas como detecção de objetos, além de blocos de rede neural integrados, datasets como o MNIST e APIs de configuração de treinamento para treinar modelos diretamente em Java. Também seleciona automaticamente CPU ou GPU com base na configuração do hardware.

Como a engine fica abstraída, os projetos não ficam presos a um único backend e podem trocar de engine mais tarde. O projeto é voltado a desenvolvedores Java que querem adicionar inferência ou treinamento de machine learning a aplicações Java existentes.

Recursos principais

  • 01API independente de engine, compatível com PyTorch, TensorFlow, MXNet e ONNX Runtime.
  • 02Model zoo de modelos pré-treinados para carregá-los por aplicação e arquitetura.
  • 03Blocos de rede neural e datasets integrados para treinamento em Java.
  • 04Seleção automática de CPU/GPU com base no hardware.
  • 05Build padrão baseado em Gradle, compatível com IDEs Java comuns.

Casos de uso

  • Adicionar classificação de imagens ou detecção de objetos a um serviço backend Java existente.
  • Executar inferência com modelos ONNX ou PyTorch pré-treinados dentro de uma aplicação JVM.
  • Treinar redes neurais pequenas em Java para equipes que preferem não usar Python.
  • Aprender conceitos de deep learning com uma base de código nativa de Java.

Início rápido

  1. 1

    Leia o guia de introdução na documentação

  2. 2

    Compile o projeto a partir do código-fonte no Linux ou macOS

    ./gradlew build
  3. 3

    Compile a partir do código-fonte no Windows

    gradlew build

Antes de usar

  • Para compilar a partir do código-fonte, é necessário ter uma toolchain do Gradle e um ambiente de desenvolvimento Java.
  • Dependendo do backend escolhido, pode ser necessária uma configuração adicional das bibliotecas nativas específicas do mecanismo.

Tópicos

#deep-learning#java#machine-learning#neural-network#inference#pytorch#tensorflow#onnx#ai#autograd

Perguntas frequentes

O que é djl?
Um framework de deep learning para Java independente de engine, que permite criar, treinar e executar modelos com uma API nativa de Java. Deep Java Library (DJL) é um framework de deep learning de alto nível para Java. Ele integra engines existentes, como PyTorch, TensorFlow, MXNet e ONNX Runtime, por meio de uma única API Java, permitindo trabalhar com modelos sem precisar aprender uma stack Python separada.
djl é gratuito? Qual é a licença?
djl é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
djl ainda é mantido?
Manutenção ativa. O último commit de djl foi em 2 de nov. de 2026.
Para que posso usar djl?
Adicionar classificação de imagens ou detecção de objetos a um serviço backend Java existente. Executar inferência com modelos ONNX ou PyTorch pré-treinados dentro de uma aplicação JVM. Treinar redes neurais pequenas em Java para equipes que preferem não usar Python. Aprender conceitos de deep learning com uma base de código nativa de Java.
Como instalar djl?
Leia o guia de introdução na documentação Compile o projeto a partir do código-fonte no Linux ou macOS: ./gradlew build Compile a partir do código-fonte no Windows: gradlew build
Onde consigo djl?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/deepjavalibrary/djl

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados