🤝👥 欢迎贡献。接受 Pull 请求。

💬 大型语言模型

• ⚖️ 开源 LLM 模型

• 🛠️ 工具

  • 🖥️ 原生 GUI
  • 🌐 Web GUI
  • ⚙️ 后端
  • 🗣️ 语音助手
  • 🔍 检索增强生成
  • 🔗 浏览器扩展
  • 🤖 代理 / 自动化 GPT
  • 🎨 多模态
  • 💻 代码生成
  • 📦 库与封装
    • ✏️ 提示词模板化 / 语法
  • 🎯 微调与训练
  • 🪚 合并与量化

• 📚 资源

  • 🗂️ 数据集
  • 🔬 研究

• 🌟 其他优秀资源

  • 📺 产品展示
  • 📏 基准测试
    • 🏆 排行榜
    • 📊 基准测试套件
    • ⚙️ 优化
  • 👷‍♂️ AI 运维
  • 🗄️ 用于机器学习的数据库
  • 🛡️ 安全、责任与红队演练

🖼️ 图像模型

• 📝 模型
• 🔧 封装与 GUI
• 🎯 微调
• 🔬 研究

🎞️ 视频模型

• 🔀 文本到视频生成
• ⏭️ 帧插值（时间插值）
• 🎯 分割与跟踪
• 🔎 超分辨率（空间插值）
• ⏲️ 空间-时间插值
• 🌐 NeRF
• 🎭 深度伪造
• 📏 基准测试
• 🎨 修复与扩图

🎵 音频模型

• 🗜️ 压缩
• 🔀 多任务
• 👂 语音识别
• 🗣️ 文本转语音
• 🔄 语音转换
• 🎬 视频配音
• 🎶 音乐生成
• 🔊 音源分离
• 🔬 研究

📊 市场营销数据科学

• 市场营销数据科学资源

星标历史

Awesome ML 快速上手指南

awesome-ml 并非一个可直接安装运行的单一软件或库，而是一个** curated list（精选列表）**，汇集了机器学习、大语言模型、图像生成、音频处理等领域的开源工具、框架、数据集和研究资源。

本指南旨在帮助开发者快速浏览该列表，找到适合的工具并启动对应的项目。

环境准备

由于本列表涵盖多种类型的 AI 工具，具体的系统要求取决于你选择使用的具体项目。但大多数现代 AI 工具（尤其是大模型和生成式 AI）通常建议以下基础环境：

• 操作系统: Linux (Ubuntu 20.04/22.04 推荐), macOS, 或 Windows (需 WSL2)。
• 硬件:
  • GPU: 强烈建议配备 NVIDIA GPU (显存 8GB 以上为佳)，用于加速推理和训练。
  • 内存: 至少 16GB RAM，处理大模型建议 32GB+。
• 前置依赖:
  • Python: 3.9 或更高版本。
  • Package Manager: pip, conda 或 mamba。
  • Git: 用于克隆仓库。
  • CUDA/cuDNN: 如需使用 GPU 加速，请根据具体工具要求安装对应版本的 NVIDIA 驱动和 CUDA 工具包。

国内加速建议:

• Git 克隆加速: 若克隆 GitHub 仓库速度慢，可使用镜像源：

  git clone https://ghproxy.com/https://github.com/<用户名>/<仓库名>.git
  

• Python 包加速: 使用清华或阿里镜像源安装依赖：

  pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
  

获取资源与安装

由于 awesome-ml 是资源索引，你不需要“安装”这个列表本身，而是需要访问其在线文档或克隆仓库以查看链接，然后选择具体工具进行安装。

方式一：在线浏览（推荐）

直接访问该项目的 Markdown 文件（通常在 GitHub 仓库中），根据分类查找工具：

• 大语言模型 (LLM): 查看 llm-tools.md
• 图像生成: 查看 image-generation.md
• 视频处理: 查看 video-ai.md
• 音频处理: 查看 audio-ai.md

方式二：克隆仓库本地查阅

git clone https://github.com/underlines/awesome-ml.git
cd awesome-ml

克隆后，你可以直接在本地用文本编辑器或 Markdown 阅读器打开对应的 .md 文件（如 llm-tools.md），找到感兴趣的项目链接。

安装具体工具示例

假设你在列表中选择了一个流行的 LLM 后端工具（例如 llama.cpp 或类似的 WebUI 项目），通常的安装步骤如下（以通用的 Python 项目为例）：

1. 克隆具体工具仓库:

   git clone https://github.com/<具体工具作者>/<具体工具名称>.git
   cd <具体工具名称>
   

2. 创建虚拟环境:

   python -m venv venv
   source venv/bin/activate  # Linux/macOS
   # venv\Scripts\activate   # Windows
   

3. 安装依赖:

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

基本使用

使用流程完全取决于你从列表中选择的具体工具。以下是基于列表中常见类别的典型使用模式：

场景 1：运行本地大语言模型 (LLM)

如果你在 Tools -> Native GUIs 或 Backends 中找到了一个工具（如 LM Studio, Ollama, 或 text-generation-webui）：

1. 下载模型: 从 Hugging Face 或 ModelScope (魔搭社区) 下载 .gguf 或 .safetensors 格式的模型文件。
   • 国内推荐: 使用 ModelScope 下载模型可获更快速度。
2. 启动服务:

   # 示例命令，具体取决于所选工具
   python server.py --model-path ./models/your-model.gguf
   

3. 交互: 打开浏览器访问 http://localhost:7860 (端口视工具而定) 进行对话。

场景 2：图像生成 (Image Models)

如果你在 Image Models 类别中选择了 Stable Diffusion 相关工具：

1. 准备检查点: 下载 .ckpt 或 .safetensors 模型文件放入 models/Stable-diffusion 目录。
2. 启动 WebUI:

   python webui.sh --listen --xformers
   

3. 生成图片: 在浏览器界面输入提示词 (Prompt)，点击 "Generate"。

场景 3：音频处理 (Audio Models)

针对 Speech Recognition 或 TextToSpeech 工具：

1. 运行推理脚本:

   # 示例 Python 代码片段
   from some_audio_lib import pipeline
   
   pipe = pipeline("automatic-speech-recognition", model="openai/whisper-base")
   result = pipe("audio_file.wav")
   print(result["text"])
   

核心建议: awesome-ml 的价值在于其分类索引。请先确定你的需求（如“需要一个带图形界面的本地 LLM 工具”或“需要视频帧插值算法”），然后在对应的 Markdown 章节中找到评分高、更新活跃的项目，再前往该项目的官方仓库阅读其专属的 README 进行详细部署。