#ONNX

ocrs是一个基于Rust的开源光学字符识别(OCR)库和命令行工具，利用机器学习技术从各类图像中提取文本。它旨在提供一个现代化的OCR引擎，能够处理多种图像类型，并大幅减少预处理工作。ocrs具有跨平台兼容性，支持WebAssembly，使用开放许可数据集训练。目前项目处于早期阶段，支持拉丁字母识别，并计划未来扩展更多语言支持。

RapidOCR是一个开源的多平台、多语言OCR工具，具有高速识别和广泛兼容性。该工具支持快速离线部署，采用ONNXRuntime推理引擎，识别速度显著优于PaddlePaddle引擎。RapidOCR内置中英文识别功能，同时支持其他语言的自定义转换。基于深度学习技术，RapidOCR注重轻量化设计和高效性能，适用于快速OCR部署和定制化需求场景。

diffusers.js是一个JavaScript库，支持在GPU和WebGPU上运行扩散模型。它适用于浏览器和Node.js环境，具有简洁的API接口。该库经过性能优化，兼容多种模型，并提供实用示例。diffusers.js的开发过程中改进了onnx runtime、emscripten和WebAssembly，为AI图像生成领域贡献了重要工具。

此项目是Meta Llama 2模型的ONNX优化版本。提供7B和13B参数规模，支持float16和float32精度。包含命令行示例和Gradio聊天界面，方便用户使用。项目文档详细介绍了仓库克隆、子模块初始化和性能优化等内容。

FaceONNX是基于ONNX运行时的人脸识别和分析库。它提供预训练的深度神经网络模型，用于人脸检测、特征点提取、性别年龄分类、情绪美貌分析及人脸嵌入比较。支持跨平台应用，提供.NET Standard 2.0版本，可通过NuGet包管理器集成。FaceONNX为开发者提供了实用的人脸分析工具。

DLPrimitives是一个开源项目，旨在提供跨平台的OpenCL深度学习和推理工具。该项目创建了支持多种GPU架构的深度学习原语库和高效推理库。DLPrimitives的目标包括开发简约的深度学习框架，并与PyTorch、TensorFlow等主流框架集成，使OpenCL API在深度学习领域得到广泛应用。目前，DLPrimitives已支持多种神经网络模型，并在AMD、Intel、NVIDIA等多种GPU上进行了测试。

TransformersPHP是一个PHP机器学习库,提供与Python版Transformers相同的功能。基于Hugging Face的Transformers构建,支持众多预训练模型,适用于文本生成、摘要、翻译等任务。该库采用ONNX Runtime执行模型,性能优异。通过简洁的API,PHP开发者可以方便地在项目中集成先进的机器学习技术。

clip-ViT-B-32模型的ONNX版本，支持图像分类和相似性搜索。利用FastEmbed库，用户能够快速处理图像嵌入，该模型在视觉任务中表现出色，适用于多种应用场景。

Falcon是一个轻量级Python库，通过单行代码即可训练生产级机器学习模型。该库提供简单易用的接口，支持多种预设配置，并可扩展集成其他框架。Falcon深度支持ONNX，实现复杂pipelines导出为单一ONNX图，便于跨平台部署。目前主要支持表格分类和回归任务，适合快速构建和集成机器学习项目。

FONNX是一个专为Flutter设计的跨平台ONNX模型运行库，支持在iOS、Android、Web等多个平台上原生执行机器学习模型。该库充分利用各平台的本地加速能力，如iOS的CoreML和Android的Neural Networks API，显著提升机器学习应用的性能。FONNX不仅支持直接使用Hugging Face的ONNX模型，还提供了将PyTorch、TensorFlow等格式模型转换为ONNX的便捷工具。

在Transformers.js中实现ONNX权重兼容性，支持进行零样本图像分类，使用模型Xenova/clip-vit-base-patch32。通过简单的npm安装Transformers.js库，利用pipeline API实现图像和标签的高效匹配。此项目旨在为WebML的未来发展提供一个过渡方案，建议将模型转换为ONNX格式以便于网络使用。

此项目通过兼容ONNX权重与Transformers.js，支持WebML技术发展。用户可将模型转换为ONNX格式，以满足网页应用需求。本页面提供指南，协助开发者将模型转为ONNX并在Web环境中应用。更多详情可参考🤗 Optimum项目，获取详细优化支持与结构建议。

该项目介绍了如何将distilbert-base-cased-distilled-squad模型转换为ONNX格式，支持Transformers.js库。此转换简化了模型在网页端的部署流程，以期推动WebML的广泛应用。建议使用🤗 Optimum工具进行转换，确保结构符合项目指引。该方法是促进WebML技术发展的过渡性方案。

该开源项目使用ONNX权重，以在Transformers.js环境下实现模型兼容。通过特征提取管道，用户能够高效计算句子嵌入，实现文本语义分析与快速检索，提升JavaScript环境下的文本处理效率。

all-MiniLM-L6-v2是一个句子嵌入模型,可将文本映射到384维向量空间。该模型基于MiniLM-L6-H384-uncased,在超10亿句子对上微调。支持sentence-transformers和Hugging Face Transformers库调用,适用于聚类和语义搜索等任务。模型在多项基准测试中表现优异,是一个通用的句子嵌入工具。

bge-small-en-v1.5-onnx-Q是BAAI/bge-small-en-v1.5模型的量化ONNX版本,专门用于文本分类和相似度搜索。该模型提供高效的文本嵌入功能,可快速生成文档向量表示。借助FastEmbed库,开发者能轻松使用此模型进行文本嵌入,为信息检索和文本聚类等任务奠定基础。这个小巧高效的模型适用于多种应用场景,可满足不同的文本处理需求。

all-MiniLM-L6-v2模型的ONNX版本是一个用于文本分类和相似度搜索的工具。该模型与Qdrant兼容，支持IDF修饰符，并可通过FastEmbed库进行推理。它能生成文本嵌入向量，适用于多种自然语言处理任务，尤其在需要进行文本相似度比较的场景中表现优异。使用该模型可以简化文本处理流程，提高相关应用的效率。

clip-vit-base-patch16是OpenAI CLIP模型的一个变种，专注于零样本图像分类任务。这个模型使用ONNX格式的权重，可与Transformers.js库无缝集成，方便在Web环境中应用。它不仅提供了易用的pipeline API用于图像分类，还支持独立的文本和图像嵌入计算功能。该模型在处理各种图像分析和跨模态任务时，能够在性能和计算效率之间保持良好平衡。

该模型是基于distilbert-base-uncased架构，通过零样本蒸馏技术在GoEmotions数据集上训练的情感分类工具。经ONNX格式转换和量化处理，模型性能得到显著提升。这一创新方法展示了如何将复杂的NLI零样本模型简化为高效的学生模型，实现了仅依靠未标记数据即可训练分类器的技术突破。尽管在精度上可能略逊于全监督模型，但为处理无标签数据的情感分析任务提供了实用解决方案。

项目bge-large-en-v1.5的ONNX版本，适用于文本分类和相似性搜索。使用FastEmbed工具进行推理，可实现灵活高效的文本嵌入，具备快速计算与高准确性，适合大规模文本数据分析场景。

该项目将MoritzLaurer/roberta-base-zeroshot-v2.0-c模型转成ONNX格式，旨在增强推理性能和部署灵活性，借助Hugging Face的Optimum库进行转换。适用于多任务快速处理的应用场景，在零样本分类中，无需大量手动标注数据，便可实现有效的文本分类，适合各类语言处理任务。

基于MiniLM-L6-v2架构开发的句子相似度模型，通过整合注意力权重机制增强了文本搜索能力。模型采用ONNX格式发布，可与FastEmbed库无缝集成，支持稀疏嵌入生成，在大规模文本检索场景中表现出色。该模型针对BM42搜索进行了特别优化，能有效提升检索准确度。

本项目介绍了使用ONNX权重与Transformers.js库计算模型嵌入和余弦相似度的过程。通过安装Transformers.js库，可以轻松地创建特征提取管道，并进行句子嵌入和相似度计算。项目默认采用8位量化模型，同时支持全精度版本。ONNX模型为未来的WebML应用做好了准备，建议通过Optimum工具进行ONNX格式转换以实现网络兼容。

Splade_PP_en_v1是一个文本分类和相似度搜索模型的ONNX实现版本。模型基于FastEmbed框架运行，可将输入文本转换为稀疏向量表示，适用于文本检索和相似度计算。项目支持Python API接口调用，可进行批量文本处理，采用Apache-2.0开源许可证。

gte-large-onnx是thenlper/gte-large模型的ONNX移植版本，用于文本分类和相似度搜索任务。该模型与FastEmbed框架集成，支持通过API调用生成文本嵌入向量，实现批量文本处理。基于Apache-2.0许可证开源，可用于构建文本相似度检索和文档分类等应用

sbert-all-MiniLM-L6-with-pooler基于sentence-transformers框架开发，将文本映射为384维向量表示。该模型在10亿对句子数据集上完成训练，可应用于文本聚类和语义搜索等场景。模型通过Hugging Face Optimum实现，支持便捷的特征提取功能。

基于transformers.js开发的轻量级英语语音识别模型，集成ONNX格式权重实现Web端部署。模型支持基础文本转录、时间戳转录及单词级时间戳标记等功能，通过JavaScript可快速实现音频转文本识别。

本项目介绍了一款量化文本分类模型，能高效识别对话流程中的常见LLM事件，如道歉、误解和功能受限。该模型基于MiniLMv2-L6-H384开发，运用ONNX提高推理效率及精度，适合高级LLM分析，支持在CPU设备上部署，通过轻量级方案优化性能表现。

基于ONNX权重实现Transformers.js的兼容性，能够快速执行情感分析。安装Transformers.js库后，即可使用预训练模型进行高效的文本情感分析。这种方法有效提高了模型运行速度，并支持WebML，是JavaScript开发者的重要工具。

WD EVA02-Large Tagger v3是一个开源的图像标签分类模型，支持评级、角色和通用标签分类。该模型基于Danbooru数据集训练，涵盖720万张图像。采用JAX-CV和timm库实现，支持ONNX推理，兼容性强。模型在验证集上达到0.4772的F1分数，支持批量推理，并提供了timm、ONNX和JAX等多种接口示例。最新版本更新了训练数据和标签至2024年2月，适用于图像分类、内容审核等多种应用场景，为开发者提供了实用的图像分析工具。

该开源项目利用ONNX权重，使Transformers.js库兼容，实现AI模型在网页上的遮罩生成。允许通过JavaScript轻松进行图像处理，支持从模型中加载图像和处理器，使用2D定位点生成遮罩并计算IoU分数。项目提供在线演示，方便用户体验实时图像分割，建议将模型转换为ONNX格式以便于网页使用。