ONNX ist das gemeinsame Format, das es einem in PyTorch trainierten Modell ermöglicht, in einer C++-Laufzeit, auf mobilen Geräten oder auf einem Edge-Beschleuniger zu laufen.
| Kategorie | ML-Frameworks & MLOps |
| Typ | Modell-Austausch |
| Lizenz | Apache-2.0 |
| Läuft lokal | Ja |
| Hergestellt mit | Python |
| Fähigkeitsstufe | Mittelstufe |
| Am besten für | ein Modell an einem Ort bereitzustellen, an den sein Trainingsframework nicht gelangen kann |
Andere Open-Source-ML-Frameworks & MLOps-Tools, die einen Vergleich wert sind:
DagsterOrchestrierung, die in Datenressourcen und nicht in Aufgaben denkt
TensorFlowGoogles Deep-Learning-Framework, entwickelt für die Produktion
PyTorchDas Framework, in dem fast jedes moderne KI-Modell geschrieben ist
OpenCVDie Computer Vision-Bibliothek, auf der alles andere aufbaut
scikit-learnKlassisches maschinelles Lernen, richtig gemacht
Apache AirflowDatenpipelines planen und überwachen
RaySkaliere Python von einem Laptop zu einem Cluster
JAXNumPy mit Autodiff, JIT und TPUs
XGBoostImmer noch der Maßstab für tabellarische Daten
Label StudioAlles kennzeichnen — Text, Bilder, Audio, Video
MLflowExperimente verfolgen und Modelle ohne die Tabelle versenden
LightGBMGradient Boosting, das schnell auf großen Tabellen trainiert
CVATErnsthafte Annotation für Computer Vision
DVCGit für Datensätze und Modelle
OptunaDie richtigen Hyperparameter finden, ohne zu ratenONNX ist kostenlos und Open-Source (Apache-2.0-Lizenz), sodass Sie es kostenlos nutzen, selbst hosten und modifizieren können.
Ja. ONNX ist so konzipiert, dass es auf Ihrem eigenen Computer oder Server läuft und Ihre Daten privat bleiben.
Beliebte Open-Source-Alternativen sind Dagster, TensorFlow, PyTorch. Siehe die obigen Vergleiche zur Auswahl.
Durchsuchen Sie das vollständige Verzeichnis von Open-Source-AI-Tools, Modellen und Projekten – täglich aktualisiert.
Alle Tools durchsuchen →