ONNX est le format commun qui permet à un modèle entraîné dans PyTorch de s'exécuter dans un runtime C++, sur mobile ou sur un accélérateur en périphérie.
| Catégorie | Frameworks ML & MLOps |
| Type | Échange de modèles |
| Licence | Apache-2.0 |
| S'exécute localement | Oui |
| Construit avec | Python |
| Niveau de compétence | Intermédiaire |
| Meilleur pour | déployer un modèle là où son framework d'entraînement ne peut pas aller |
D'autres frameworks ml open-source & outils mlops qui valent la peine d'être comparés :
DagsterOrchestration qui pense en actifs de données, pas en tâches
TensorFlowLe framework de deep learning de Google, conçu pour la production
PyTorchLe framework dans lequel presque tous les modèles d'IA modernes sont écrits
OpenCVLa bibliothèque de vision par ordinateur sur laquelle tout le reste est construit
scikit-learnApprentissage automatique classique, fait correctement
Apache AirflowPlanifiez et surveillez les pipelines de données
RayÉvoluez Python d'un ordinateur portable à un cluster
JAXNumPy avec autodiff, JIT et TPUs
XGBoostReste toujours le meilleur sur les données tabulaires
Label StudioÉtiquetez n'importe quoi — texte, images, audio, vidéo
MLflowSuivez les expériences et expédiez des modèles sans le tableur
LightGBMBoosting par gradient qui s'entraîne rapidement sur de grandes tables
CVATAnnotation sérieuse pour la vision par ordinateur
DVCGit pour les ensembles de données et les modèles
OptunaTrouvez les bons hyperparamètres sans devinerONNX est gratuit et open-source (licence Apache-2.0), vous pouvez donc l'utiliser, l'héberger vous-même et le modifier sans frais.
Oui. ONNX est conçu pour fonctionner sur votre propre machine ou serveur, gardant vos données privées.
Les alternatives open-source populaires incluent Dagster, TensorFlow, PyTorch. Consultez les comparaisons ci-dessus pour choisir.
Parcourez le répertoire complet des outils, modèles et projets d'IA open-source — mis à jour quotidiennement.
Parcourez tous les outils →