嵌入式AI快讯：移植ncnn到RISC-V TF Object Detection支持TF2

1. NanoDet：轻量级（1.8MB）、超快速（移动端97fps）目标检测项目

近日，GitHub 上出现了一个项目 nanodet，它开源了一个移动端实时的 Anchor-free 检测模型，希望能够提供不亚于 YOLO 系列的性能，而且同样方便训练和移植。该项目上线仅两天，Star 量已经超过 200。 NanoDet 是一个速度超快和轻量级的移动端 Anchor-free 目标检测模型。该模型具备以下优势：

超轻量级：模型文件大小仅 1.8m；

速度超快：在移动 ARM CPU 上的速度达到 97fps（10.23ms）；

训练友好：GPU 内存成本比其他模型低得多。GTX1060 6G 上的 Batch-size 为 80 即可运行；

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

2. 不到1000行代码，GitHub 2000星，天才黑客开源深度学习框架tinygrad

在深度学习时代，谷歌、Facebook、百度等科技巨头开源了多款框架来帮助开发者更轻松地学习、构建和训练不同类型的神经网络。而这些大公司也花费了很大的精力来维护 TensorFlow、PyTorch 这样庞大的深度学习框架。 最近，天才黑客 George Hotz 开源了一个小型深度学习框架 tinygrad，兼具 PyTorch 和 micrograd 的功能。tinygrad 的代码数量不到 1000 行，目前该项目获得了 GitHub 2000 星。 「tinygrad 可能不是最好的深度学习框架，但它确实是深度学习框架。」 George 在项目中保证，tinygrad 代码量会永远小于 1000 行。

3. TF Object Detection 终于支持TF2了！

一直以来，大家最常用的目标检测库是港中文的mmdetection和Facebook的detectron2库，不过这两个库都是基于PyTorch的，PyTorch的模型部署方面还是稍差于TensorFlow，如果想用TensorFlow的目标检测模型，最好的还是选择还是谷歌官方的TF Object Detection库。 目前随着TensorFlow 2x的到来，TFObject Detection库也支持TF2了，而且最重要的是还兼容TensorFlow 1.x，这真是非常nice。不过官方还是建议大家使用最新的TF2来训练模型。 除此之外，TF2也新增了更多的模型如CenterNet和EfficientDet

4. 价值百万的AI开源项目！涵盖OCR、目标检测，NLP，语音合成多方向

今天小编为大家推荐一个相当牛逼的项目， 粗略估计，这个项目价值超过百万当前star 1.9k，但是大胆预判， 这个项目肯定要火，未来Star数应该可以到10k甚至20k！首先，“无需深度学习背景、无需数据与训练过程”，“共享人工智能时代红利”以及“全部模型开源下载，离线可运行” 包含文本识别、人脸检测、图像编辑、目标检测等方向。我只能说， 这个repo，伸手党福音!

5. 新晋网红Pytorch教程，3个月GitHub斩获900星，趋势榜日榜排名24

如果之前有了解过这个爆火的项目《30天吃掉那只TensorFlow2.0》，相信对该篇教程不会陌生，这就是他的姊妹篇《20天吃掉那只Pytorch》。 自从上次《30天吃掉那只TensorFlow2.0》一炮而红之后，他又加班加点写了《20天吃掉那只Pytorch》，项目完成4个月，已经在GitHub斩获了1800+ Star，还有幸登上过GitHub全站趋势榜24名 两个项目还是相同的配方，还是熟悉的味道~

6. 我把 ncnn 移植到 RISC-V 啦！

up把 ncnn 移植到 RISC-V 啦！ RISC-V，我喜欢缩写成 riscv，能少按一次 shift 和减号，是一个基于精简指令集（RISC）原则的开源指令集架构（ISA）。作为完全开源的指令集，天生自带开源的光环基因，纵使当今 x86 ARM 几乎绝对市场垄断，依然生机勃勃，持续发展着。 如果要问我，为什么要把 ncnn 移植到 riscv 上面跑？那就是开源文化基因的力量，英文单词 meme 的魔法 其实移植过程中还是踩了一些坑的，感谢中科院软件所智能软件研究中心的大佬热心解答我的提问。

（来源：综合自 GitHub RT-Thread）

原文标题：【20201127期嵌入式AI周报】NanoDet 目标检测模型、移植 ncnn到 RISC-V等！

文章出处：【微信公众号：RTThread物联网操作系统】欢迎添加关注！文章转载请注明出处。