AI-bibliotek och ramverk med öppen källkod

Programbibliotek och ramverk för maskininlärning.

9 program i kategorin · Hela katalogen · Filtrera i katalogen

Här samlar vi bibliotek och ramverk för att bygga, träna och köra maskininlärningsmodeller.

Jämför efter ekosystem, hårdvarustöd och hur modellerna kan flyttas mellan miljöer. Färdiga program med gränssnitt ligger i kategorierna ovan.

Haystack

Haystack är ett öppet Python-ramverk för AI-orkestrering där ni bygger produktionsklara agenter, RAG-system och multimodal sökning av återanvändbara komponenter i egna pipelinegrafer.

Öppen källkodPython
Startår
2019
API
REST API
MCP
MCP-server, Officiellt tillägg

Betyg

76

Preliminärt

Projektdata

26 925GitHub-stjärnor
735 commits · 13 veckor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2019
Licens
Apache License 2.0Öppen källkod (OSI-godkänd licens) · Repots LICENSE-fil är Apache 2.0 (verifierad 2026-10-20). · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · Windows · macOS
API
REST API Verifierat
MCP
MCP-server, Officiellt tillägg
Export
Ej verifierat Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: Apache-2.0 verifierad i repots LICENSE-fil (2026-10-20); öppen kodbas.
Funktionell passform Gäller: Passar utvecklingsteam som bygger RAG/agenter i Python och vill styra komponenterna; dock krävs Python-kompetens och ingen färdig UI — inte för användare som söker färdig chatbot.
Dataflytt och interoperabilitet Gäller: Bibliotek på PyPI (haystack-ai) och Docker-avbilder för Linux/Windows/macOS; valfri hanterad Enterprise-plattform är dock separat och kommersiell.
Mognad och trygghet Gäller: Etablerat ramverk med stabil v3.4.0; v3.5.0-rc finns i repot.
Framtidskraft Gäller: Modulär pipeline-arkitektur för RAG och agenter med REST/MCP-exponering via Hayhooks; aktiv utveckling i deepsets ekosystem.
Drift och införande Gäller: Kräver Python-drift utan färdig UI; REST/MCP-servring sker via det separata tillägget Hayhooks.
Kostnadsbild Gäller: Öppen kärna under Apache-2.0; den hanterade Haystack Enterprise Platform är en separat kommersiell tjänst.
Svensk användbarhet Gäller: Ingen svensk lokalisation verifierad i researchen; utvecklarverktyg med engelsk dokumentation.

Kostnad: .

Faktakontrollerad

Hugging Face Transformers

Modellbibliotek/ramverk för maskininlärning (transformermodeller)

Hugging Face Transformers är ett Python-bibliotek med öppen källkod som ger ett gemensamt gränssnitt mot tusentals modeller på Hugging Face Hub.

Öppen källkodPython
Startår
2018
MCP
MCP-server, Officiellt tillägg

Betyg

95

Preliminärt

Projektdata

168 523GitHub-stjärnor
1 253 commits · 13 veckor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2018
Licens
Apache License 2.0Öppen källkod (OSI-godkänd licens) · Repots LICENSE-fil innehåller Apache License, Version 2.0 med copyright 'The Hugging Face team'; även README:s filhuvud anger Apache 2.0. GitHub identifierar licensen som Apache-2.0. · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · macOS · Windows
API
Saknas Verifierat
MCP
MCP-server, Officiellt tillägg
Export
Ej verifierat Tränade modeller kan sparas och laddas med bibliotekets egna funktioner, men någon dokumenterad exportfunktion av användardata i katalogmening påträffades inte i de hämtade källorna. Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: Apache-2.0 (OSI), full frihet; biblioteket helt öppet även om vissa modellvikter på HF Hub är gated.
Funktionell passform Gäller: Träna/konvertera/köra modeller i Python är bibliotekets exakta kärna, med Trainer/accelerate och export till ONNX/GGUF.
Dataflytt och interoperabilitet Gäller: safetensors är öppet standardformat; export till ONNX/GGUF ger portabilitet till i princip vilken runtime som helst.
Mognad och trygghet Gäller: Industristandard sedan 2019 med enormt ekosystem, täta stabila releaser och bred produktionsanvändning.
Framtidskraft Gäller: Hela Python-stacken är programmatisk; peft/trl/accelerate-ekosystemet ger referensklass anpassningsförmåga.
Drift och införande Gäller: Väldokumenterad men kräver Python-miljöhantering med tunga beroenden och versionskrav.
Kostnadsbild Gäller: Apache-2.0, gratis; beräkningskostnad kategoriinnevärd, HF Hub gratis för öppna modeller.
Svensk användbarhet Gäller: Svenska/flerspråkiga modeller (AI Sweden, KB-BERT) laddas direkt — fungerande svenska i praktiken; biblioteket självt har ingen svensk dokumentation.

Kostnad: .

Faktakontrollerad

JAX

Pythonbibliotek för numerisk beräkning och maskininlärning med automatisk differentiering och acceleratorkompilering.

Öppen källkodC++Python
Startår
2018
MCP
MCP-server, Tredjepart

Betyg

85

Preliminärt

Projektdata

36 574GitHub-stjärnor
1 806 commits · 13 veckor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2018
Licens
Apache-2.0Öppen källkod (OSI-godkänd licens) · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · Web
API
Ej tillämpligt
MCP
MCP-server, Tredjepart
Export
Ej verifierat Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: Apache-2.0 enligt licensfilen i repot (raw.githubusercontent.com/jax-ml/jax/main/LICENSE, verifierad 200): full rätt att läsa, ändra och återdistribuera, pip-distribution och valfri drift utan leverantörsbindning eller låsta format.
Funktionell passform Gäller: Användningsfallet (anpassad optimeringsmodell i notebook, samma kod på GPU) täcks direkt av kärnfunktionerna: automatisk differentiering, JIT-kompilering till GPU/TPU och NumPy-bekant gränssnitt enligt docs.jax.dev och repot; ren pip-installation utan server ingår. Inga större luckor för just detta fall; postens notFor-objekt (standardarkitekturer utan egen kod, dataprep) ligger utanför fallet.
Dataflytt och interoperabilitet Gäller: JAX-dokumentationen har en egen sektion 'Exporting and serialization' (docs.jax.dev/en/latest/export/index.html, verifierad 200) och modellparametrar kan spelas via Orbax-checkpoints; det ger dokumenterad, användbar export men korsformatskonvertering till t.ex. PyTorch är inte belagt i underlaget.
Mognad och trygghet Gäller: Aktivt sedan december 2018 (PyPI JSON API: äldsta uppladdning 2018), löpande releaser (GitHub releases-sida), väldokumenterat API (docs.jax.dev) och brett ekosystem av bibliotek som bygger på grunden (beskrivet i posten). Ingen publicerad säkerhetspolicy belagd i underlaget, därför inte 5.
Framtidskraft Gäller: Starkt, väldokumenterat Python-API (docs.jax.dev) som är direkt användbart i automatiserade pipeliner, med dokumenterad praktisk anpassningsförmåga: ett ekosystem av bibliotek (t.ex. neurala nätverk och probabilistisk programmering) bygger vidare på grunden enligt posten och repot. Ingen MCP/webhooks — för ett bibliotek är Python-API:t integrationsvägen; användning i agentstackar är ej direkt belagd, därför medium.
Drift och införande Gäller: Ren pip-installation utan serverkomponenter (PyPI, verifierad 200) och dokumenterad installation/API (docs.jax.dev); driftkraven är väldokumenterade och proportionerliga för en data science-grupp, men förutsätter Python-miljökomfort och acceleratormiljö för större modeller.
Kostnadsbild Gäller: Licenskostnaden är noll (Apache-2.0 enligt LICENSE i repot) och distributionen via PyPI är gratis, vilket ger en tydlig grundkostnad. Men transparent totalkostnad kräver redovisning av drift, hårdvara och förvaltning: GPU-/TPU-miljö och underhåll måste beräknas separat, så 3 inte 4.
Svensk användbarhet Gäller: Namngiven negativ kontroll: jax-ml/jax-repot saknar translations-/lokaliseringskatalog helt (verifierat via git ls-tree 2026-10-27) och den officiella dokumentationen docs.jax.dev är endast engelsk. Ingen svensk lokalisering, dokumentation eller svensk support är belagd — engelskspråkigt men tekniskt användbart i Sverige.

Kostnad: .

Faktakontrollerad

ONNX Runtime

ONNX Runtime är en öppen motor för snabb maskininlärningsinferens och träning av ONNX-modeller över plattformar. Ni exporterar modellen till ONNX och kör den i Python, C#, Java, JavaScript eller C++ med grafoptimering och hårdvaruacceleration.

Öppen källkodC++
Startår
2018
API
Annan

Betyg

85

Preliminärt

Projektdata

22 219GitHub-stjärnor
1 394 commits · 13 veckor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2018
Licens
MIT LicenseÖppen källkod (OSI-godkänd licens) · Verifierad i repots LICENSE. · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · Windows · macOS · Android · iOS
API
Annan Verifierat
MCP
Saknas
Export
Ej verifierat Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: MIT-licens verifierad i repots LICENSE; källkod utvecklas öppet på GitHub (microsoft/onnxruntime).
Funktionell passform Gäller: Bra passform för produktionssättning av ONNX-modeller utan Python-drift; kräver dock konvertering till ONNX-format och saknar färdigt HTTP-server-API.
Dataflytt och interoperabilitet Gäller: Bred plattformstäckning: Linux, Windows, macOS, Android och iOS; modellformatet ONNX gör backend-utbyten möjliga.
Mognad och trygghet Gäller: Utvecklat av Microsoft sedan 2018, aktivt repo och omfattande officiell dokumentation med API-referenser.
Framtidskraft Gäller: Microsoft-backing och bred plattformssupport ger god uthållighet; konkurrens från TensorRT/OpenVINO noteras.
Drift och införande Gäller: Bibliotek som byggs in i applikationen — ingen egen tjänst att drifta, men ingen färdig server-yta eller MCP belagd.
Kostnadsbild Gäller: Fri MIT-licens och ingen infrastrukturutöver värden; integrations- och konverteringsarbete är huvudkostnaden.
Svensk användbarhet Gäller: Inga belägg för svensk lokalisering eller svensk dokumentation i researchfilen.

Kostnad: .

Faktakontrollerad

OpenCV

Bibliotek för datorseende och bildbehandling med algoritmer från grundläggande filtrering till objektigenkänning.

Öppen källkodPython
Startår
2000
MCP
MCP-server, Tredjepart

Betyg

81

Preliminärt

Projektdata

91 443GitHub-stjärnor
596 commits · 13 veckor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2000
Licens
Apache-2.0Öppen källkod (OSI-godkänd licens) · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · Web
API
Ej tillämpligt
MCP
MCP-server, Tredjepart
Export
Ej verifierat Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: Apache License 2.0 enligt licensfilen i repot (raw.githubusercontent.com/opencv/opencv/4.x/LICENSE); OSI-godkänd licens med full rätt att läsa, ändra och återdistribuera samt fri självdrift. Ett bibliotek utan leverantörslåsning eller proprietära format.
Funktionell passform Gäller: Täcker kärnbehovet i användningsfallet: bildbehandling, objekt-/konturdetektering, kamerakalibrering och DNN-inferens för färdiga modeller enligt dokumentationen (docs.opencv.org). Mindre luckor enligt postens begränsningar: ingen modellträning från grunden, och avancerad prestandaoptimering kräver C++-djup.
Dataflytt och interoperabilitet Gäller: Som bibliotek låser OpenCV ingen data: bilder läses och skrivs i standardiserade bildformat via dokumenterade API:er (docs.opencv.org) med gränssnitt i Python, C++ och Java. Ingen exportmekanik behövs eftersom data aldrig hamnar i ett proprietärt system — men begreppet 'export' är odefinierat för bibliotek, därför inte nivå 5.
Mognad och trygghet Gäller: Projektet existerar sedan 2000 (Wikipedia) och publicerar löpande releaser (GitHub releases); omfattande dokumentation (docs.opencv.org) och ett brett ekosystem. Lång historik och etablerad förvaltning är direkt belagd.
Framtidskraft Gäller: Väldokumenterade API:er i Python/C++/Java (docs.opencv.org) används i stor utsträckning för automation; däremot saknas dokumenterad webhook-, agent- eller MCP-integration, vilket enligt ankaret hindrar nivå 4.
Drift och införande Gäller: Enkel installation via pip eller systempaket utan serverdrift (pypi.org/project/opencv-python) och väldokumenterad. Mindre lucka: CUDA-byggen och prestandatuning kräver specialistkompetens enligt postens begränsningar.
Kostnadsbild Gäller: Apache-2.0 innebär ingen licenskostnad och projektet säljer ingen tjänst, så licensbilden är transparent. Driftkostnader (GPU/CPU vid full installation, utvecklingstid) kräver egen beräkning — enligt regeln ger gratis licens utan transparent TCO nivå 3, inte 4.
Svensk användbarhet Gäller: Ingen svensk lokalisering eller dokumentation belagd. Namngiven kontroll: OpenCVs officiella dokumentationsportal (docs.opencv.org/4.x/d9/df8/tutorial_root.html, verifierad 200 med UA) är enbart engelsk (lang='en-US', inga svenska hänvisningar), och projektet har ingen i18n-/språkkatalog. Svensk community/support är inte systematiskt kontrollerad; biblioteket är engelskspråkigt men tekniskt användbart i Sverige.

Kostnad: .

Faktakontrollerad

PyTorch

Ramverk för djupinlärning och tensorkomputation

PyTorch är en maskininlärningsramvara med tensorberäkning och automatisk differentiering, utvecklad under PyTorch Foundation. Den är grunden för att träna neurala nätverk — från experiment på bärbar dator till distribuerad träning på GPU-kluster — under BSD-3-Clause.

Öppen källkodC++Python
Startår
2016
MCP
MCP-klient, Officiellt tillägg

Betyg

94

Preliminärt

Projektdata

105 119GitHub-stjärnor
4 986 commits · 13 veckor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2016
Licens
BSD 3-Clause (BSD-variant med flera rättighetsinnehavare)Öppen källkod (OSI-godkänd licens) · Repots LICENSE-fil innehåller en BSD 3-clause-text med tre villkor och copyright för bland andra Facebook, Idiap Research Institute, DeepMind, NEC Laboratories America, NYU, Kakao Brain, Cruise LLC, Tri Dao och Arm. GitHub identifierar licensen som 'Other' (NOASSERTION) eftersom filen kombinerar flera copyright- och licenstexter (PyTorch, Caffe2 och Caffe) i ett dokument, men innehållet är BSD 3-clause. · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · macOS · Windows
API
Saknas Verifierat
MCP
MCP-klient, Officiellt tillägg
Export
Finns PyTorch kan växla mellan eagert och grafbaserat läge med TorchScript och kan enligt projektets startsida föras vidare till produktion via TorchServe, vilket ger export/distribution av modeller utanför det vanliga Python-anropet. Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: BSD-3-Clause (OSI), PyTorch Foundation-styrning, ingen leverantörslåsning.
Funktionell passform Gäller: Djupinlärning i Python med träning/inferens och GPU-stöd är exakt kärnan.
Dataflytt och interoperabilitet Gäller: CUDA/ROCm/XPU/MPS/CPU-stöd och export via ONNX — bred interoperabilitet.
Mognad och trygghet Gäller: Sedan 2016, stabil 2.x, de facto-standard med mycket aktivt underhåll.
Framtidskraft Gäller: Helt skriptbart i Python med torch.compile och ONNX-export — förstklassig automation.
Drift och införande Gäller: pip/conda-installation enkel; GPU-stöd kräver rätt CUDA/ROCm-version (kategoriinnevärd).
Kostnadsbild Gäller: Helt gratis; hårdvara är kategoriinnevärd.
Svensk användbarhet Gäller: Engelskt utvecklarbibliotek; ingen svensk dokumentation/UI — engelskspråkig men tekniskt användbar.

Kostnad: .

Faktakontrollerad

scikit-learn

scikit-learn är Pythons standardbibliotek för klassisk maskininlärning: klassificering, regression och oövervakad inlärning med ett gemensamt fit/predict-API och pipelines. Det är gratis under BSD-licens och bygger på NumPy och SciPy.

Öppen källkodPython
Startår
2010
API
Annan
MCP
MCP-server, Tredjepart

Betyg

88

Preliminärt

Projektdata

68 003GitHub-stjärnor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2010
Licens
BSD 3-ClauseÖppen källkod (OSI-godkänd licens) · Verifierad i repots LICENSE-fil (raw.githubusercontent / GitLab raw). · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · macOS · Windows
API
Annan Verifierat
MCP
MCP-server, Tredjepart
Export
Ej verifierat Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: BSD-3-Clause verifierad i repots COPYING/LICENSE; helt öppen kodbas.
Funktionell passform Gäller: De facto-standard för klassisk ML och fyller luckan mellan AI-verktyg och djupinlärningsramverk i kategorin enligt kategoriresearch; saknar dock djupinlärning.
Dataflytt och interoperabilitet Gäller: Ren Python/Cython-API installerbar var som helst via pip; modeller serialiseras i standardformat men pickle-låsning till biblioteksversion är en känd begränsning.
Mognad och trygghet Gäller: Mogent, världsutbrett bibliotek på NumPy/SciPy; officiellt repo aktivt underhållet enligt research 2026-10-22.
Framtidskraft Gäller: Stabilt och aktivt underhållet med stark ställning inom klassisk ML; mindre utvecklingstakt än djupinlärningsekosystemen.
Drift och införande Gäller: Rent bibliotek utan HTTP-yta eller serverkomponent — ingen driftbörda utöver själva Python-miljön.
Kostnadsbild Gäller: Helt fritt under BSD-3-Clause; inga licenskostnader.
Svensk användbarhet Gäller: Dokumentation och community är engelskspråkiga; inget svenskt språkstöd belagt i källorna.

Kostnad: .

Faktakontrollerad

spaCy

spaCy är ett Python-bibliotek för industriell språkbearbetning: tokenisering, taggning, parsing och namngiven enhetsigenkänning med neurala nätverksmodeller. Det kombinerar statistiska modeller med regelbaserade mönster i sammansatta pipelines.

Öppen källkodPython
Startår
2015
API
Annan

Betyg

89

Preliminärt

Projektdata

34 020GitHub-stjärnor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2015
Licens
MIT LicenseÖppen källkod (OSI-godkänd licens) · Verifierad i repots LICENSE-fil (raw.githubusercontent / GitLab raw). · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · Windows · macOS
API
Annan Verifierat
MCP
Saknas
Export
Ej verifierat Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: MIT verifierad i repots LICENSE-fil enligt kategoriresearch; kodbasen är helt öppen (modellpaket licensieras separat).
Funktionell passform Gäller: Praktiskt NLP-bibliotek som kompletterar LLM-verktygen i kategorin; har svensk språkmodell vilket kategoriresearch lyfter som relevant för svensk publik.
Dataflytt och interoperabilitet Gäller: Rent Python-bibliotek via pip med nedladdningsbara modeller; ingen HTTP-yta i kärnan — serverexponering (t.ex. DispaCy) byggs separat.
Mognad och trygghet Gäller: Etablerat produktionsbibliotek under Explosion AI; officiellt repo aktivt underhållet enligt research 2026-10-22.
Framtidskraft Gäller: Aktiv utveckling och stark ställning för klassisk NLP; konkurrens från LLM-baserade flöden men stabil nisch.
Drift och införande Gäller: Bibliotek utan serverkomponent; driftbörda begränsad till Python-miljön.
Kostnadsbild Gäller: Helt fritt under MIT; inga licenskostnader.
Svensk användbarhet Gäller: Har svensk språkmodell (sv_core_news_sm) enligt modellkatalogen, men dokumentation och community är engelskspråkiga.

Kostnad: .

Faktakontrollerad

TensorFlow

TensorFlow är ett öppet ramverk för maskininlärning: modellbygge och träning via Keras i Python, med inferens som självhostad tjänst på server, i webbläsaren och på enheter.

Öppen källkodC++Python
Startår
2015
API
REST API · Annan

Betyg

85

Preliminärt

Projektdata

201 296GitHub-stjärnor
4 702 commits · 13 veckor
Visa alla fakta och bedömningarVisa alla fakta
Startår
2015
Licens
Apache License 2.0Öppen källkod (OSI-godkänd licens) · Verifierad i repots LICENSE-fil (raw.githubusercontent / GitLab raw). · Licensmodeller
Öppen källkod
Ja
Plattformar
Linux · Windows · macOS · containers
API
REST API · Annan Verifierat
MCP
Saknas
Export
Ej verifierat Ej verifierat
Språk
Gränssnitt: Engelska · Dokumentation: Engelska · Support: Engelska
Öppenhet och kontroll Gäller: Apache-2.0 verifierad i repots LICENSE-fil; helt öppet ramverk utan enterprise-delar.
Funktionell passform Gäller: Täcker tränings- och driftsidan som ai-bibliotek-kategorin saknar vid sidan av PyTorch; kategoriresearch anger mycket utbredd användning i svensk industri och akademi.
Dataflytt och interoperabilitet Gäller: Bibliotek med språk-API:er (Python/C++/Java) plus TF Serving som REST/gRPC-tjänst och TFLite för enheter; modellformat gör modeller flyttbara mellan driftformer.
Mognad och trygghet Gäller: Ett av världens största ML-ramverk; officiellt repo aktivt underhållet enligt research 2026-10-22.
Framtidskraft Gäller: Stort ekosystem och aktiv utveckling (TF Serving, TFX); konkurrens från PyTorch/JAX men etablerad industristandard.
Drift och införande Gäller: Som bibliotek låg driftbörda, men självhostad inferens via TF Serving tillför en tjänst; TF Serving har ingen inbyggd autentisering och ska skyddas bakom reverse proxy/mTLS.
Kostnadsbild Gäller: Helt fritt under Apache-2.0; inga licenskostnader.
Svensk användbarhet Gäller: Dokumentation och community är engelskspråkiga; inget svenskt språkstöd belagt i källorna.

Kostnad: .

Faktakontrollerad

Till hela programvarukatalogen