Python-библиотека для запуска, обучения и оценки AI-моделей из ModelScope Model Hub через единый интерфейс pipeline и Trainer.
tracel-ai/models
Коллекция моделей глубокого обучения и примеров на фреймворке Burn для Rust, включающая официальные разработки и проекты сообщества.
- Звёзды
- 390
- Форки
- 71
- Открытые issues
- 18
- Последний коммит
- 12 дней назад
Что это?
В этом репозитории собраны модели глубокого обучения и примеры кода на Burn — фреймворке для глубокого обучения, написанном на Rust. Здесь есть модели классификации изображений, такие как ResNet, SqueezeNet и MobileNetV2, модель обнаружения объектов YOLOX, а также языковые модели и модели эмбеддингов, например ALBERT, MiniLM и RoBERTa.
Помимо официальных моделей, на странице перечислены созданные сообществом проекты в отдельных репозиториях: среди них порты Whisper для распознавания речи, Llama 2, Stable Diffusion, RWKV, SSD и Wav2Vec 2.0. Каждая официальная модель находится в собственной поддиректории и сопровождается инструкцией по использованию.
Официальные модели распространяются на условиях лицензий MIT и Apache-2.0, а у проектов сообщества могут быть собственные лицензии.
Ключевые возможности
- 01Официальные реализации моделей классификации изображений, включая ResNet, SqueezeNet и MobileNetV2.
- 02Обнаружение объектов с помощью YOLOX и языковые модели, такие как ALBERT, MiniLM и RoBERTa.
- 03Порты Whisper, Llama 2, Stable Diffusion, RWKV и других моделей, созданные сообществом.
- 04Каждая официальная модель находится в отдельной директории, что позволяет использовать её независимо.
- 05Создано на базе фреймворка глубокого обучения Burn для Rust.
Сценарии использования
- Изучение того, как определять и запускать распространённые модели компьютерного зрения и NLP на Rust с помощью Burn.
- Запуск классификации изображений или обнаружения объектов в приложении на Rust без Python.
- Поиск портов моделей распознавания речи и языковых моделей для Rust, созданных на базе Burn.
Что важно знать
- На модели сообщества, ссылки на которые приведены здесь, могут распространяться лицензии, отличные от лицензий MIT/Apache-2.0 репозитория.
В подборках
Темы
Частые вопросы
- Что такое models?
- Коллекция моделей глубокого обучения и примеров на фреймворке Burn для Rust, включающая официальные разработки и проекты сообщества. В этом репозитории собраны модели глубокого обучения и примеры кода на Burn — фреймворке для глубокого обучения, написанном на Rust. Здесь есть модели классификации изображений, такие как ResNet, SqueezeNet и MobileNetV2, модель обнаружения объектов YOLOX, а также языковые модели и модели эмбеддингов, например ALBERT, MiniLM и RoBERTa.
- models можно использовать бесплатно? Какая у него лицензия?
- models распространяется с открытым исходным кодом под лицензией Apache-2.0. Перед использованием в коммерческих продуктах проверьте условия лицензии.
- models всё ещё поддерживается?
- Активно поддерживается. Последний коммит в models — 26 окт. 2026 г..
- Для чего можно использовать models?
- Изучение того, как определять и запускать распространённые модели компьютерного зрения и NLP на Rust с помощью Burn. Запуск классификации изображений или обнаружения объектов в приложении на Rust без Python. Поиск портов моделей распознавания речи и языковых моделей для Rust, созданных на базе Burn.
- Где скачать models?
- Исходный код и инструкции по установке — на GitHub: https://github.com/tracel-ai/models
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Похожие проекты
Библиотека предобученных моделей для Keras 3: модели для текста, изображений и аудио, работающие с JAX, TensorFlow или PyTorch.
Учебная программа Microsoft по ИИ для начинающих: 12 недель и 24 урока о символическом ИИ, нейросетях, компьютерном зрении, NLP и этике, с ноутбуками на PyTorch и TensorFlow.
Подборка примеров Jupyter notebooks, которые показывают, как создавать, обучать и развёртывать модели машинного обучения на Amazon SageMaker.
Библиотека Python для аугментации аудио, изображений, текста и видео: более 100 трансформаций, в том числе правки в стиле соцсетей для проверки устойчивости моделей.
Фреймворк с определениями современных моделей машинного обучения для текста, изображений, аудио и мультимодальных задач — для обучения и инференса.