PyTorch资源
探索与 PyTorch 相关的精选开源项目、速读教程和最新工作机会
相关开源项目
ofa-sys/chinese-clip
基于 CLIP 的中文多模态模型，支持图文特征计算、跨模态检索与零样本分类。提供 API、训练及测试代码，适配 PyTorch 2.0，支持 ONNX/TensorRT 部署与 FlashAttention 加速。
meituan/yolov6
专为工业应用设计的单阶段目标检测框架，提供 N/T/S/M/L 多种尺寸模型，支持 CPU/移动端部署，具备高性能与量化优化。
kserve/kserve
基于 Kubernetes 的标准化分布式生成式与预测式 AI 推理平台，支持多框架部署。提供 LLM 优化、GPU 加速、模型缓存、KV 缓存卸载、自动扩缩容等生成式 AI 功能，以及多框架支持、智能路由、高级部署、模型可解释性、高级监控等预测式 AI 功能。
makazhanalpamys/soup
微调大语言模型的工具。通过一个YAML配置文件，无需SSH或复杂设置。支持层流技术，在4GB GPU上训练8B模型。自动化处理批量、GPU检测和量化。
microsoft/mmdnn
跨框架深度学习模型管理工具，支持模型转换、可视化与诊断。可在 Caffe、Keras、MXNet、TensorFlow、CNTK、PyTorch、ONNX 和 CoreML 之间转换模型，并提供代码生成与部署指南。
nvidia/dali
GPU 加速的数据加载与预处理库，提供高度优化的构建块和执行引擎，用于加速深度学习训练和推理。支持多种数据格式，可作为便携式替代品集成到主流框架中。
google/gemma_pytorch
Google Gemma 模型的官方 PyTorch 实现。提供 PyTorch 和 PyTorch/XLA 推理，支持 CPU、GPU 和 TPU。包含多种模型变体，如 Gemma 3、2 和 CodeGemma，可在 Kaggle 和 Hugging Face 下载。
bentrevett/pytorch-seq2seq
基于 PyTorch 和 TorchText 的序列到序列模型教程，涵盖从基础到注意力机制的实现，以德语到英语翻译为例。
open-mmlab/openpcdet
基于 LiDAR 的 3D 目标检测开源工具箱，支持 PointRCNN、PV-RCNN、Voxel R-CNN 等多种先进模型，提供完整的训练与推理框架。
vllm-project/semantic-router
可编程路由层，用于异构LLM推断的Mixture-of-Models系统。评估请求信号，选择或组合模型路径，优化质量、成本、延迟、隐私和安全性。
idealo/imagededup
基于 Python 的图像去重工具，支持精确和近似重复检测。提供多种哈希算法（如 PHash、DHash）和 CNN 模型，可生成图像编码、评估去重效果并可视化结果。兼容 Python 3.9+，跨平台运行。
fanghua-yu/supir
基于模型缩放的野外照片级真实感图像修复算法。提供在线演示和多种模型选择，支持高分辨率图像生成与细节增强。
facebookresearch/mmf
Facebook AI Research 的模块化视觉与语言多模态研究框架，基于 PyTorch，支持分布式训练，提供前沿模型实现，适用于快速启动研究项目。
zenml-io/zenml
一个统一的 AI 平台，从管道到智能体。支持任何 Python 逻辑，自动容器化、追踪运行、抽象基础设施复杂性，并集成 MLflow、Langgraph 等工具，助力快速迭代实验。
udacity/deep-learning-v2-pytorch
Udacity 深度学习纳米学位项目代码库，包含 PyTorch 教程与项目。涵盖神经网络、卷积网络、循环网络及 GAN 等主题，提供 Jupyter Notebook 实现，用于学习与实践。
obss/sahi
轻量级视觉库，支持切片/分块推理，用于大规模目标检测与实例分割。兼容多种框架，提供交互式 UI 和错误分析图表。
mosaicml/composer
基于 PyTorch 的开源深度学习训练库，优化大规模模型训练。支持 FSDP、弹性检查点等特性，简化分布式训练流程，适用于 LLM、扩散模型等。
laurentmazare/tch-rs
Rust 绑定 PyTorch C++ API，提供薄封装，保持与原生 API 高度一致，支持 CPU/GPU 计算。
remsky/kokoro-fastapi
Docker 化 FastAPI 封装器，支持 Kokoro-82M TTS 模型。多平台 CPU、AMD、NVIDIA GPU PyTorch 支持，自动拼接。OpenAI 兼容端点，多语言，单词时间戳，语音混合。
apple/coremltools
将 TensorFlow、PyTorch 等机器学习模型转换为 Core ML 格式，支持模型读写与优化验证，便于在 Apple 设备上部署。
rasbt/machine-learning-book
提供《Machine Learning with PyTorch and Scikit-Learn》书籍的配套代码库，包含 19 个章节的 Jupyter Notebook 实例，涵盖从基础分类到 Transformer、GAN 和图神经网络等高级主题。
ashleve/lightning-hydra-template
基于 PyTorch Lightning 与 Hydra 的模板，提供极简样板代码，支持多 GPU、TPU 和 SLURM 集群，内置实验追踪、超参搜索与 CI/CD 流程。
superduper-io/superduper
端到端框架，用于构建自定义 AI 应用和智能体。支持多种数据库后端，如 MongoDB、SQL、Snowflake 和 Redis。基于 Python，提供插件化架构，便于集成现有工具。
yunjey/stargan
官方 PyTorch 实现，支持多域图像到图像转换的统一生成对抗网络。基于 CelebA 和 RaFD 数据集训练，可灵活转换人脸属性与表情。
dbolya/yolact
基于全卷积网络的实时实例分割模型，支持 YOLACT 和 YOLACT++ 两种版本。提供训练、评估及实时演示代码，兼容 PyTorch 1.0.1+，需编译 DCNv2 以启用 YOLACT++。
deep-learning-with-pytorch/dlwpt-code
提供《Deep Learning with PyTorch》书籍的配套代码，使用 Jupyter Notebook 实现，涵盖深度学习基础与 PyTorch 实践。
wenet-e2e/wenet
生产就绪的端到端语音识别工具包，支持多种模型，提供完整生产解决方案。轻量易用，文档齐全，支持 Python 命令行与编程接口。
zylo117/yet-another-efficientdet-pytorch
基于 PyTorch 的 EfficientDet 高效目标检测器复现，提供 SOTA 实时性能与预训练权重。支持自定义数据集训练，提供详细教程与性能基准。
awslabs/gluonts
基于 PyTorch 和 MXNet 的 Python 概率时间序列建模库，支持深度学习模型，提供概率预测与置信区间可视化。
amdegroot/ssd.pytorch
基于 PyTorch 的 SSD 目标检测器实现，支持 VOC 和 COCO 数据集训练与评估，提供预训练模型和实时可视化工具。