10月份GitHub上熱門Python開源項目排行
本文轉載自微信公眾號「開源最前線」，作者猿妹整編。轉載本文請聯(lián)系開源最前線公眾號。
10月份GitHub上最熱門的Python開源項目排行已經出爐啦，一起來看看上榜詳情吧：
1.pytorch-image-models
https://github.com/rwightman/pytorch-image-models Star 14294
pytorch-image-models整合了PyTorch的許多圖像模型、腳本和預訓練參數(shù)。除了來自Torchvision等現(xiàn)有的倉庫的模型，作者自己也提供了一些模型。
2.yolov5
https://github.com/ultralytics/yolov5 Star 18160
YOLO是一個實時目標檢測框架，其意思是 You Only Look Once(你只看一次)。也就是說待檢測的目標圖像僅會通過全卷積神經網(wǎng)絡(FCNN)一次。據(jù)介紹，YOLOv5是當前所有已知 YOLO 實現(xiàn)中的當前最佳(SOTA)。
3.transformers
https://github.com/huggingface/transformers Star 53672
Transformers是TensorFlow 2.0和PyTorch的最新自然語言處理庫，Transformers(以前稱為pytorch-transformers和pytorch-pretrained-bert)提供用于自然語言理解(NLU)和自然語言生成(NLG)的最先進的模型(BERT，GPT-2，RoBERTa，XLM，DistilBert，XLNet，CTRL …) ，擁有超過32種預訓練模型，支持100多種語言，并且在TensorFlow 2.0和PyTorch之間具有深厚的互操作性。
4.d2l-zh
https://github.com/d2l-ai/d2l-zh Star 27205
《動手學深度學習》：面向中文讀者、能運行、可討論。中英文版被全球200所大學采用教學。
5.manim
https://github.com/ManimCommunity/manim Star 38720
Manim 是一個用于解釋數(shù)學視頻的動畫引擎，由社區(qū)維護。它被用來以編程方式創(chuàng)建精確的動畫，Manim 使用 Python 以編程方式生
6.awesome-python
https://github.com/vinta/awesome-python Star 106403
awesome-python是vinta發(fā)起維護的Python資源列表，內容包括：Web框架、網(wǎng)絡爬蟲、網(wǎng)絡內容提取、模板引擎、數(shù)據(jù)庫、數(shù)據(jù)可視化、圖片處理、文本處理、自然語言處理、機器學習、日志、代碼分析等。十分受Python開發(fā)者的青睞。
7.faceswap
https://github.com/deepfakes/faceswap Star 39472
deepfake 的深度學習技術，這款工具本來的用途是用來識別和交換圖片、視頻中人物臉部圖像的工具 。該項目有多個入口，你只需要：
- 收集照片(或使用以下訓練數(shù)據(jù)中提供的照片)
- 從原始照片中提取面部圖像
- 在照片上訓練模型(或使用以下訓練數(shù)據(jù)中提供的模型)
- 使用模型轉換源代碼
8.yt-dlp
https://github.com/yt-dlp/yt-dlp Star 9953
yt-dlp是一個youtube-dl分支，youtube-dl是一款開源免費但功能強大的視頻下載工具。
9.mlflow
https://github.com/mlflow/mlflow Star 10560
MLflow 是由 Apache Spark 技術團隊開源的一個機器學習平臺，主打開放性：
- 開放接口：可與任意 ML 庫、算法、部署工具或編程語言一起使用。
- 開源：開發(fā)者可輕松地對其進行擴展，并跨組織共享工作流步驟和模型。
- MLflow的當前版本是alpha版本。這意味著API和數(shù)據(jù)格式可能會發(fā)生變化。
10.Real-ESRGAN
https://github.com/xinntao/Real-ESRGAN Star 6234
騰訊ARC實驗室公開的AI模型，是通過模擬高分辨率圖像變低分辯率過程中的各種退化，然后看到一張糊圖后倒推出來它的高清圖。
相比 ESRGAN，Real-ESRGAN 使用合成數(shù)據(jù)進行訓練，引入了高階退化建模以更全面逼真地模擬復雜的圖像退化，重點考慮了合成過程中常見的振鈴和 overshoot 偽影。還采用了一個具有譜歸一化(Spectral Normalization)的 U-Net 鑒別器，來提高鑒別器的性能并穩(wěn)定訓練過程，最終實現(xiàn)了“青出于藍勝于藍”的效果。
