Core ML Models
Source: https://github.com/likedan/Awesome-CoreML-Models at
f65751092d0b
License: MIT
Read the English original
This edition is an AI-assisted translation.
Desde o iOS 11, a Apple lançou o framework Core ML para ajudar desenvolvedores a integrar modelos de machine learning em aplicativos. A documentação oficial
Reunimos a maior coleção de modelos de machine learning no formato Core ML, para ajudar desenvolvedores de iOS, macOS, tvOS e watchOS a experimentar técnicas de machine learning.
Se você converteu um modelo Core ML, sinta-se à vontade para enviar um pull request.
Recentemente, incluímos ferramentas de visualização. Uma delas é o Netron.
Modelos
Seção intitulada “Modelos”Imagem - Metadados/Texto
Seção intitulada “Imagem - Metadados/Texto”Modelos que recebem dados de imagem como entrada e geram informações úteis sobre a imagem.
- TextDetection - Detecta texto em tempo real usando o modelo integrado do Vision. Download | Demo | Reference
- PhotoAssessment - Avaliação de fotos usando Core ML e Metal. Download | Demo | Reference
- PoseEstimation - Estima a pose humana a partir de uma imagem, para dispositivos móveis. Download | Demo | Reference
- MobileNet - Detecta os objetos dominantes presentes em uma imagem. Download | Demo | Reference
- Places CNN - Detecta a cena de uma imagem entre 205 categorias, como quarto, floresta, litoral etc. Download | Demo | Reference
- Inception v3 - Detecta os objetos dominantes presentes em uma imagem. Download | Demo | Reference
- ResNet50 - Detecta os objetos dominantes presentes em uma imagem. Download | Demo | Reference
- VGG16 - Detecta os objetos dominantes presentes em uma imagem. Download | Demo | Reference
- Car Recognition - Prevê a marca e o modelo de um carro. Download | Demo | Reference
- YOLO - Reconhece quais são os objetos em uma determinada imagem e onde eles estão na imagem. Download | Demo | Reference
- AgeNet - Prevê a idade de uma pessoa a partir de seu retrato. Download | Demo | Reference
- GenderNet - Prevê o gênero de uma pessoa a partir de seu retrato. Download | Demo | Reference
- MNIST - Prevê dígitos manuscritos (desenhados) a partir de imagens. Download | Demo | Reference
- EmotionNet - Prevê a emoção de uma pessoa a partir de seu retrato. Download | Demo | Reference
- SentimentVision - Prevê sentimentos positivos ou negativos a partir de imagens. Download | Demo | Reference
- Food101 - Prevê o tipo de alimentos a partir de imagens. Download | Demo | Reference
- Oxford102 - Detecta o tipo de flores a partir de imagens. Download | Demo | Reference
- FlickrStyle - Detecta o estilo artístico das imagens. Download | Demo | Reference
- RN1015k500 - Prevê o local onde uma foto foi tirada. Download | Demo | Reference
- Nudity - Classifica uma imagem como NSFW (nu) ou SFW (não nu) Download | Demo | Reference
- TextRecognition (ML Kit) - Reconhece texto em tempo real usando o modelo integrado do ML Kit. Download | Demo | Reference
- ImageSegmentation - Segmenta os pixels de um quadro de câmera ou de uma imagem em um conjunto predefinido de classes. Download | Demo | Reference
- DepthPrediction - Prevê a profundidade a partir de uma única imagem. Download | Demo | Reference
Imagem - Imagem
Seção intitulada “Imagem - Imagem”Modelos que transformam imagens.
- HED - Detecta bordas aninhadas a partir de uma imagem colorida. Download | Demo | Reference
- AnimeScale2x - Processa uma arte em estilo anime ampliada com interpolação bicúbica Download | Demo | Reference
Texto - Metadados/Texto
Seção intitulada “Texto - Metadados/Texto”Modelos que processam dados de texto
- Sentiment Polarity - Prevê sentimentos positivos ou negativos a partir de frases. Download | Demo | Reference
- DocumentClassification - Classifica artigos de notícias em uma entre 5 categorias. Download | Demo | Reference
- iMessage Spam Detection - Detecta se uma mensagem é spam. Download | Demo | Reference
- NamesDT - Classificação de gênero usando DecisionTreeClassifier Download | Demo | Reference
- Personality Detection - Prevê a personalidade com base em documentos do usuário (frases). Download | Demo | Reference
- BERT for Question answering - Implementação em Swift Core ML 3 do BERT para perguntas e respostas Download | Demo | Reference
- GPT-2 - Geração de texto com o OpenAI GPT-2 (Core ML 3) Download | Demo | Reference
Diversos
Seção intitulada “Diversos”- Exermote - Prevê o exercício quando o iPhone é usado no braço superior direito. Download | Demo | Reference
- GestureAI - Recomenda um artista com base no local e no gênero informados. Download | Demo | Reference
- Artists Recommendation - Recomenda um artista com base no local e no gênero informados. Download | Demo | Reference
- ChordSuggester - Prevê o acorde seguinte mais provável com base na progressão de acordes inserida. Download | Demo | Reference
Processamento de fala
Seção intitulada “Processamento de fala”- Streaming ASR – Engine de reconhecimento de fala em streaming em tempo real para iOS. Usa Fast Conformer + CTC, roda totalmente no dispositivo.
Download | Demo | Reference - Keyword Spotting (KWS) – Engine de detecção de palavras-chave no dispositivo, com arquitetura CRNN leve, otimizada para dispositivos móveis.
Download | Demo | Reference
Ferramentas de visualização
Seção intitulada “Ferramentas de visualização”Ferramentas que ajudam a visualizar modelos CoreML
Formatos suportados
Seção intitulada “Formatos suportados”Lista de formatos de modelos que podem ser convertidos para Core ML, com exemplos
A coleção de ouro
Seção intitulada “A coleção de ouro”Coleções de modelos de machine learning que podem ser convertidos para Core ML
- Caffe Model Zoo - Grande lista de modelos no formato Caffe.
- TensorFlow Models - Modelos para TensorFlow.
- TensorFlow Slim Models - Outra coleção de modelos TensorFlow.
- MXNet Model Zoo - Coleção de modelos MXNet.
Modelos individuais de machine learning que podem ser convertidos para Core ML. Continuaremos ajustando a lista à medida que forem convertidos.
- LaMem Avalia a memorabilidade de imagens.
- ILGnet Avaliação estética de imagens.
- Colorization Colorização automática usando redes neurais profundas.
- Illustration2Vec Estima um conjunto de tags e extrai vetores de características semânticas de ilustrações fornecidas.
- CTPN Detecta texto em imagens naturais.
- Image Analogy Encontra correspondências densas semanticamente significativas entre duas imagens de entrada.
- iLID Identificação automática de idioma falado.
- Fashion Detection Detecta roupas a partir de imagens.
- Saliency A previsão de áreas salientes em imagens tradicionalmente é abordada com características criadas manualmente.
- Face Detection Detecta rostos em imagens.
- mtcnn Detecção e alinhamento conjunto de rostos.
- deephorizon Estimativa da linha do horizonte a partir de uma única imagem.
Contribuições e licença
Seção intitulada “Contribuições e licença”- Veja o guia
- Distribuído sob a licença MIT. Consulte o LICENSE para mais informações.
HagiCode
O HagiCode é um ambiente de programação com agentes. Interações de interface ricas e práticas tornam o planejamento, a execução de agentes e o trabalho em projetos mais acessíveis e fáceis de acompanhar, criando uma experiência de desenvolvimento envolvente.
Uma experiência de desenvolvimento envolvente, com interações de interface ricas e práticas.
- InteligenteOs fluxos de trabalho do OpenSpec transformam a intenção em um caminho executável, da proposta ao design, às tarefas e à entrega.
- EficienteA execução multiagente mantém pesquisa, implementação e revisão em andamento em paralelo, em vários repositórios e com os Agent CLI que você já usa.
- InteressanteInterações de interface ricas e práticas tornam o planejamento, a execução de agentes e o trabalho em projetos mais acessíveis e fáceis de acompanhar.
Baixar para Windows
Compartilhar o HagiCode
Transforme ideias em software entregue.
O HagiCode é um ambiente de programação com agentes: os fluxos de trabalho do OpenSpec planejam a mudança, a execução multiagente a realiza e o Hero Scenario torna o longo percurso visível, para transformar ideias em software entregue.
- Inteligente
- Os fluxos do OpenSpec transformam a intenção em um caminho da proposta à entrega.
- Eficiente
- A execução multiagente conduz pesquisa, implementação e revisão em paralelo.
- Divertido
- As interações de interface facilitam o planejamento, a execução de agentes e os projetos.
© 2026 HagiCode | Powered By hagilight-starlight@0.21.0 | Branch: main | Commit: 745b50b | Built:

