Biblioteca Python para executar, treinar e avaliar modelos de IA do hub ModelScope por meio de uma interface unificada de pipeline e Trainer.
tracel-ai/models
Coleção de modelos de deep learning e exemplos feitos com o framework Burn para Rust, com contribuições oficiais e da comunidade.
- Estrelas
- 390
- Forks
- 71
- Issues abertas
- 18
- Último commit
- há 11 dias
O que é?
Este repositório reúne modelos de deep learning e exemplos de código implementados com Burn, um framework de deep learning escrito em Rust. Ele inclui modelos de classificação de imagens, como ResNet, SqueezeNet e MobileNetV2; detecção de objetos com YOLOX; e modelos de linguagem e embeddings, como ALBERT, MiniLM e RoBERTa.
Além dos modelos oficiais, a página lista projetos desenvolvidos pela comunidade em repositórios separados, incluindo ports do Whisper para reconhecimento de fala, Llama 2, Stable Diffusion, RWKV, SSD e Wav2Vec 2.0. Cada modelo oficial fica em seu próprio subdiretório e inclui instruções de uso.
Os modelos são distribuídos sob as licenças MIT e Apache-2.0, e os projetos da comunidade podem ter suas próprias licenças.
Recursos principais
- 01Implementações oficiais de modelos de classificação de imagens, incluindo ResNet, SqueezeNet e MobileNetV2.
- 02Detecção de objetos com YOLOX e modelos de linguagem como ALBERT, MiniLM e RoBERTa.
- 03Ports comunitários de Whisper, Llama 2, Stable Diffusion, RWKV e outros modelos.
- 04Cada modelo oficial fica em seu próprio diretório para uso independente.
- 05Desenvolvido com o framework de deep learning Burn, baseado em Rust.
Casos de uso
- Aprender a definir e executar modelos comuns de visão computacional ou NLP em Rust com Burn.
- Executar classificação de imagens ou detecção de objetos em uma aplicação Rust sem Python.
- Encontrar ports em Rust de modelos de reconhecimento de fala ou de linguagem desenvolvidos com Burn.
Antes de usar
- Os modelos da comunidade vinculados aqui podem estar sujeitos a licenças diferentes dos termos MIT/Apache-2.0 do repositório.
Em coleções
Tópicos
Perguntas frequentes
- O que é models?
- Coleção de modelos de deep learning e exemplos feitos com o framework Burn para Rust, com contribuições oficiais e da comunidade. Este repositório reúne modelos de deep learning e exemplos de código implementados com Burn, um framework de deep learning escrito em Rust. Ele inclui modelos de classificação de imagens, como ResNet, SqueezeNet e MobileNetV2; detecção de objetos com YOLOX; e modelos de linguagem e embeddings, como ALBERT, MiniLM e RoBERTa.
- models é gratuito? Qual é a licença?
- models é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- models ainda é mantido?
- Manutenção ativa. O último commit de models foi em 26 de out. de 2026.
- Para que posso usar models?
- Aprender a definir e executar modelos comuns de visão computacional ou NLP em Rust com Burn. Executar classificação de imagens ou detecção de objetos em uma aplicação Rust sem Python. Encontrar ports em Rust de modelos de reconhecimento de fala ou de linguagem desenvolvidos com Burn.
- Onde consigo models?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/tracel-ai/models
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Biblioteca de modelos pré-treinados para Keras 3, com modelos de texto, imagem e áudio que rodam em JAX, TensorFlow ou PyTorch.
Currículo introdutório de IA da Microsoft, com 24 aulas ao longo de 12 semanas sobre IA simbólica, redes neurais, visão computacional, NLP e ética, incluindo notebooks em PyTorch e TensorFlow.
Coleção de notebooks Jupyter de exemplo que mostram como criar, treinar e implantar modelos de machine learning no Amazon SageMaker.
Uma biblioteca Python de aumento de dados para áudio, imagens, texto e vídeo, com mais de 100 transformações, incluindo edições no estilo de redes sociais para testes de robustez.
Framework para definir modelos de ponta em machine learning para texto, visão, áudio e tarefas multimodais, voltado a inferência e treinamento.