1. NanoDet：輕量級（1.8MB）、超快速（移動端97fps）目標檢測項目

近日，GitHub 上出現了一個項目 nanodet，它開源了一個移動端實時的 Anchor-free 檢測模型，希望能夠提供不亞于 YOLO 系列的性能，而且同樣方便訓練和移植。該項目上線僅兩天，Star 量已經超過 200。 NanoDet 是一個速度超快和輕量級的移動端 Anchor-free 目標檢測模型。該模型具備以下優勢：

超輕量級：模型文件大小僅 1.8m；

速度超快：在移動 ARM CPU 上的速度達到 97fps（10.23ms）；

訓練友好：GPU 內存成本比其他模型低得多。GTX1060 6G 上的 Batch-size 為 80 即可運行；

方便部署：提供了基于 ncnn 推理框架的 C++ 實現和 Android demo。

2. 不到1000行代碼，GitHub 2000星，天才黑客開源深度學習框架tinygrad

在深度學習時代，谷歌、Facebook、百度等科技巨頭開源了多款框架來幫助開發者更輕松地學習、構建和訓練不同類型的神經網絡。而這些大公司也花費了很大的精力來維護 TensorFlow、PyTorch 這樣龐大的深度學習框架。 最近，天才黑客 George Hotz 開源了一個小型深度學習框架 tinygrad，兼具 PyTorch 和 micrograd 的功能。tinygrad 的代碼數量不到 1000 行，目前該項目獲得了 GitHub 2000 星。 「tinygrad 可能不是最好的深度學習框架，但它確實是深度學習框架。」 George 在項目中保證，tinygrad 代碼量會永遠小于 1000 行。

3. TF Object Detection 終于支持TF2了！

一直以來，大家最常用的目標檢測庫是港中文的mmdetection和Facebook的detectron2庫，不過這兩個庫都是基于PyTorch的，PyTorch的模型部署方面還是稍差于TensorFlow，如果想用TensorFlow的目標檢測模型，最好的還是選擇還是谷歌官方的TF Object Detection庫。 目前隨著TensorFlow 2x的到來，TFObject Detection庫也支持TF2了，而且最重要的是還兼容TensorFlow 1.x，這真是非常nice。不過官方還是建議大家使用最新的TF2來訓練模型。 除此之外，TF2也新增了更多的模型如CenterNet和EfficientDet

4. 價值百萬的AI開源項目！涵蓋OCR、目標檢測，NLP，語音合成多方向

今天小編為大家推薦一個相當牛逼的項目， 粗略估計，這個項目價值超過百萬當前star 1.9k，但是大膽預判， 這個項目肯定要火，未來Star數應該可以到10k甚至20k！首先，“無需深度學習背景、無需數據與訓練過程”，“共享人工智能時代紅利”以及“全部模型開源下載，離線可運行” 包含文本識別、人臉檢測、圖像編輯、目標檢測等方向。我只能說， 這個repo，伸手黨福音!

5. 新晉網紅Pytorch教程，3個月GitHub斬獲900星，趨勢榜日榜排名24

如果之前有了解過這個爆火的項目《30天吃掉那只TensorFlow2.0》，相信對該篇教程不會陌生，這就是他的姊妹篇《20天吃掉那只Pytorch》。 自從上次《30天吃掉那只TensorFlow2.0》一炮而紅之后，他又加班加點寫了《20天吃掉那只Pytorch》，項目完成4個月，已經在GitHub斬獲了1800+ Star，還有幸登上過GitHub全站趨勢榜24名 兩個項目還是相同的配方，還是熟悉的味道~

6. 我把 ncnn 移植到 RISC-V 啦！

up把 ncnn 移植到 RISC-V 啦！ RISC-V，我喜歡縮寫成 riscv，能少按一次 shift 和減號，是一個基于精簡指令集（RISC）原則的開源指令集架構（ISA）。作為完全開源的指令集，天生自帶開源的光環基因，縱使當今 x86 ARM 幾乎絕對市場壟斷，依然生機勃勃，持續發展著。 如果要問我，為什么要把 ncnn 移植到 riscv 上面跑？那就是開源文化基因的力量，英文單詞 meme 的魔法 其實移植過程中還是踩了一些坑的，感謝中科院軟件所智能軟件研究中心的大佬熱心解答我的提問。

（來源：綜合自 GitHub RT-Thread）

原文標題：【20201127期嵌入式AI周報】NanoDet 目標檢測模型、移植 ncnn到 RISC-V等！

文章出處：【微信公眾號：RTThread物聯網操作系統】歡迎添加關注！文章轉載請注明出處。