Awesome GitHub RepositoriesModel Version Management

AISystem is a comprehensive AI full-stack infrastructure project covering the entire pipeline from AI chip architecture to high-level training frameworks. It encompasses the development of AI compiler frameworks, inference engines, and distributed training orchestrators designed to coordinate workloads across a heterogeneous compute stack of CPUs, GPUs, and NPUs. The project focuses on the deep integration of software and hardware, employing software-hardware co-design to align tensor layouts with physical memory structures. It provides specialized capabilities for accelerating Transformer mo

This project is a structured educational program and comprehensive training curriculum designed to teach the end-to-end lifecycle of machine learning models. It serves as a resource for engineers to master the transition of data science projects from development into reliable, production-ready systems. The curriculum focuses on the practical application of engineering best practices, emphasizing the orchestration of complex data processing and training sequences. It provides instruction on building repeatable workflows, managing experiment metadata, and implementing infrastructure automation

DiffusionBee is a Stable Diffusion desktop client for macOS that functions as an AI image generator and editor. It allows for the local generation of images from text prompts and the management of diffusion models without requiring external cloud services or technical setup. The application includes a local diffusion model manager for importing and switching between custom trained model files to achieve specific artistic styles. It also features a system for tracking generation history and uploading assets to a public gallery. The software covers several image synthesis and manipulation work

ClearML is a comprehensive MLOps platform designed to manage the end-to-end machine learning lifecycle, from initial experimentation to production deployment. It provides a suite of integrated tools including a pipeline orchestrator for automating workflows, an experiment tracking tool for logging hyperparameters and metrics, and a metadata-driven data versioning system for managing large-scale datasets and model artifacts. The platform is distinguished by its advanced compute management and serving capabilities. It features a GPU compute manager that supports fractional resource slicing and

ZenML is an orchestration platform designed for building, deploying, and monitoring reproducible machine learning pipelines and agentic workflows. It provides a unified framework that manages the entire lifecycle of machine learning assets, from data processing and model training to the deployment of persistent inference services. By decoupling pipeline logic from underlying compute and storage, the platform enables teams to transition workflows seamlessly from local development environments to production-grade cloud infrastructure. The platform distinguishes itself through a service-oriented

lakeFS es un sistema de versionado de lagos de datos que proporciona ramificaciones (branching) y commits similares a Git para grandes conjuntos de datos almacenados en almacenamiento de objetos. Funciona como una capa de control de versiones, permitiendo la creación de instantáneas inmutables, commits atómicos y ramificaciones de copia cero para crear entornos aislados para la experimentación de datos sin duplicar archivos físicos. El sistema sirve como una puerta de enlace de almacenamiento compatible con S3 y un catálogo REST de Iceberg, permitiendo que los protocolos de almacenamiento en la nube estándar y los clientes compatibles gestionen tablas versionadas. Actúa como un guardián de calidad de datos mediante el uso de un sistema de hooks basado en eventos para validar conjuntos de datos contra políticas de gobernanza antes de que los cambios se fusionen en producción. La plataforma cubre amplias capacidades para la gobernanza de datos, incluyendo colaboración mediante pull requests, control de acceso basado en roles y seguimiento del linaje de datos. Proporciona integración para la orquestación de flujos de trabajo, pipelines de aprendizaje automático y varios motores de cómputo de big data, soportando conectividad de almacenamiento multi-nube y sincronización de identidad mediante SSO y SCIM. El software se puede instalar utilizando binarios, contenedores o Helm charts para su despliegue en Kubernetes.

Sacred is an experiment management tool and reproducibility framework designed to organize multiple runs of a process with different configurations. It functions as a machine learning experiment tracker and hyperparameter configuration manager, logging hyperparameters, metrics, and metadata to a database to ensure that experimental executions remain trackable. The project focuses on scientific result reproducibility by automatically managing random seeds and tracking system dependencies. It allows for the execution of experiment variants through command-line parameter overrides and dynamic pa

Polyaxon is a Kubernetes-native machine learning orchestration platform and MLOps pipeline orchestrator. It serves as a control plane for managing distributed deep learning workloads, automated machine learning pipelines, and experiment tracking. The platform distinguishes itself through specialized services for distributed training management, including MPI-based coordination for PyTorch and TensorFlow. It provides an automated hyperparameter optimization service utilizing Bayesian, random, and grid search algorithms, alongside managed interactive AI workspaces for launching Jupyter notebook

Este proyecto sirve como plataforma especializada para la investigación de imágenes médicas clínicas, proporcionando una colección de cuadernos educativos y herramientas estandarizadas para el aprendizaje profundo. Funciona como un marco para construir y entrenar redes neuronales adaptadas a las propiedades geométricas y de intensidad únicas de los datos de imágenes médicas, apoyando tareas como la segmentación, clasificación y registro. La plataforma se distingue por su enfoque en flujos de trabajo de investigación de extremo a extremo, ofreciendo plantillas modulares que estandarizan el preprocesamiento de datos, el entrenamiento de modelos y la inferencia. Incluye capacidades para el modelado generativo, como la difusión latente y las redes adversarias, para crear imágenes sintéticas o realizar traducción de imagen a imagen. Además, proporciona herramientas automatizadas para la anotación y segmentación de imágenes médicas para reducir el esfuerzo manual en la preparación de conjuntos de datos. El marco admite la investigación de alto rendimiento mediante la integración de orquestación de cómputo distribuido, entrenamiento de precisión mixta y canalizaciones de datos basadas en tensores para manejar conjuntos de datos tridimensionales a gran escala. También incluye funciones para la gestión de metadatos de experimentos para garantizar la reproducibilidad y proporciona vías para envolver modelos entrenados en servicios listos para producción para el apoyo a la toma de decisiones clínicas. El repositorio está estructurado como una serie de cuadernos Jupyter interactivos que demuestran estos flujos de trabajo, con opciones para ejecutar tareas en entornos basados en la nube preconfigurados.