1. NanoDet：轻量级（1.8MB），超快（移动终端上为97fps）目标检测项目最近，GitHub上出现了一个nanodet项目，该项目为移动终端开源了实时无锚检测模型。性能不如YOLO系列，也便于训练和移植。该项目仅上线了两天，“星星”的数量已超过200。NanoDet是一种超快速，轻量级的无锚移动目标检测模型。该模型具有以下优点：超轻巧：模型文件大小仅为1.8m；超快：移动ARMCPU上的速度达到97fps（10.23ms）；易于培训：GPU内存成本远低于其他型号。 GTX10606G的批处理大小为80，可以运行；易于部署：提供了基于ncnn推理框架的C ++++实现和Androiddemo。 2.不到1,000行代码，GitHub 2000明星，天才黑客开源深度学习框架tinygrad在深度学习时代，Google，Facebook，百度和其他技术巨头已经开源了许多框架，以帮助开发人员学习，构建和培训不同类型的神经网络比较容易。这些大公司还花费了大量精力来维护庞大的深度学习框架，例如TensorFlow和PyTorch。最近，天才黑客GeorgeHotz开源了一个小型的深度学习框架tinygrad，该框架结合了PyTorch和micrograd的功能。 tinygrad的代码数量少于1,000行，并且该项目目前具有GitHub 2000 star。 “ Tinygrad可能不是最好的深度学习框架，但确实是一个深度学习框架。”乔治在项目中承诺，tinygrad的代码大小将始终小于1000行。 3. TFObjectDetection最终支持TF2！长期以来，最常用的目标检测库是香港中文mmdetection和Facebook的detectron2库，但这两个库都是基于PyTorch的。 PyTorch的模型部署仍然比TensorFlow差一些。如果要使用TensorFlow的目标检测模型，最好的选择是Google的官方TFObjectDetection库。目前，随着TensorFlow2x的到来，TFObjectDetection库也支持TF2，最重要的是，它还与TensorFlow1.x兼容，这非常好。但是，官方仍然建议您使用最新的TF2来训练模型。此外，TF2还添加了更多模型，例如CenterNet和EfficientDet4。一百万美元的AI开源项目！涵盖了多个方向的OCR，目标检测，NLP，语音合成，今天，我为每个人推荐一个非常棒的项目。粗略估计，该项目的价值超过了当前star1.9k的一百万，但大胆地预测该项目一定会很受欢迎。未来的星数将达到10k甚至20k！首先，“不需要深度学习背景，不需要数据和训练过程”，“共享人工智能时代奖励”。以及“所有模型都可以离线下载，可离线运行”。包括文本识别，面部检测，图像编辑，目标检测和其他方向。我只能说这个回购是聚会的福音！ 5.全新的在线名人Pytorch教程GitHub在3个月内赢得了900颗星，并且趋势列表排名第24位。如果您以前知道过这个热门项目，则可以在“ 30天之内吃完它”。我相信“教程TensorFlow 2.0”不会陌生，这是他的姊妹文章“在20天之内吃完Pytorch”。从上次“在30天之内吃完TensorFlow 2.0”开始，一炮打响，他加班并写了《 20天吃那个火炬》。该项目在4个月内完成，并已在GitHub上获得1800多个星级。 ，幸运的是，我进入了第24个GitHub趋势列表。这两个项目仍然是相同的公式，或者是熟悉的味道〜6.我将ncnn移植到RISC-V！将ncnn移植到RISC-V！ RISC-V，我喜欢将其缩写为riscv，通过按shift和减号可以节省一次时间。它是一种基于精简指令集（RISC）原理的开源指令集体系结构（ISA）。作为一个完全开源的指令集，它具有自己的开源晕轮基因。尽管x86ARM在当今市场上几乎是绝对垄断的，但它仍然充满生机并且正在不断发展。如果您想问我，为什么要将ncnn移植到riscv来运行？这就是开源文化基因的力量。实际上，英语单词“ meme”的魔力在移植过程中仍然踩在了一些坑上。感谢中国科学院软件研究所智能软件研究中心的大佬们的热情回答。 （来源：从GitHubRT-Thread集成）原始标题：[20201127 Embedded A