您现在的位置是：首页 > 文章详情

碉堡！“万物皆可分”标记模型上线「GitHub 热点速览」

日期：2023-04-10点击：360收藏

这周有个让人眼前一亮的图像识别模型 segment-anything，它能精细地框出所有可见物体，它标记出的物体边界线清晰可见。如此出色的模型，自然获得了不少人的赞赏，开源没几天，就拿下了 18k+ 的 star，而上周开源不到 48 小时获得 35k+ star 的推特推荐算法，本周也成功突破 50k+ 关卡。

依旧是 AI 热度不减的一周，本周的 AI 专场收录了一个离线生图工具，以及一个自托管 AI 编程助手。此外，还有 Meta 开源出来的重构版构建系统 buck2 也是大受欢迎，还有随着各类 AI 工具火起来的向量数据库，weaviate 也小小地展露了下头角。

还有比较少见的工具类应用，一款极简的输入法 rime-ice 也值得一看。

以下内容摘录自微博@HelloGitHub 的 GitHub Trending 及 Hacker News 热帖（简称 HN 热帖），选项标准：新发布 | 实用 | 有趣，根据项目 release 时间分类，发布时间不超过 14 day 的项目会标注 New，无该标志则说明项目 release 超过半月。由于本文篇幅有限，还有部分项目未能在本文展示，望周知 🌝

本文目录
- 1. 本周特推
  - 1.1 AI 专场
  - 1.2 Meta 开源构建系统：buck2
- 2. GitHub Trending 周榜
  - 2.1 嵌入式数据库：chroma
  - 2.2 万物皆可分：segment-anything
  - 2.3 流处理：arroyo
  - 2.4 极简输入法：rime-ice
  - 2.5 向量数据库：weaviate
- 3. HelloGitHub 热评
  - 3.1 GIF 录屏工具：ScreenToGif
  - 3.2 Nginx 可视化管理平台：nginx-proxy-manager
- 4. 往期回顾

1. 本周特推

1.1 AI 专场

在这波 AI 热度消退之前，热点趋势的特推部分会增加一个模块来分享新的 AI 应用。

macOS 跑 SD：MochiDiffusion

主语言：Swift

New MochiDiffusion 内置 Apple 的 Core ML Stable Diffusion 框架，以实现在搭载 Apple 芯片上用极低的内存占用发挥出模型最优性能。部分特性：

可离线生图
高性能，极低的内存占用
图转图，Image2Image
自定义 Stable Diffusion Core ML 模型
无需担心损坏模型

GitHub 地址→https://github.com/godly-devotion/MochiDiffusion

自托管 AI 编程助手：tabby

主语言：Python、TypeScript

New 自托管的 AI 编程助手，可作为 Copilot 的替代品。特性：

无需数据库和云服务；
具有可视化、配置模型和 MLOps 的 Web 界面；
接入 OpenAPI；
消费级别的 GPU 支持（用不同方法优化的 FP-16 权重加载）

GitHub 地址→https://github.com/TabbyML/tabby

1.2 Meta 开源构建系统：buck2

主语言：Rust

Meta 开源的大规模构建系统 buck2 继承于 buck1，但是不同于 buck1 采用 Java 编写，buck2 由 Rust 编写而成。重构 buck1 的想法源自想要提供更快速、更高效的构建服务，buck2 有以下特性：

解耦特定语言规则，buck2 的核心构建系统没有任何特定的语言规则，这意味着它有更好的可扩展性。buck2 核心部分用 Rust 编写，语言规则部分（例如：如何构建 C++）由 Starklark 编写；
构建系统由单一增量依赖图提供支持，由此消减多类 bug 并增加并发性；
规则 API 的设计主要为提供先进的性能特性，以及动态依赖特征；
集成远程执行，能在远程机器执行操作，它采用了同 Bazel 一样的 API，并已经用 Buildbarn 和 EngFlow 进行远程执行测试；
集成虚拟文件系统，不用整仓检测，按需获取文件即可；

GitHub 地址→https://github.com/facebook/buck2

2. GitHub Trending 周榜

2.1 嵌入式数据库：chroma

本周 star 增长数：1,200+，主语言：Python、TypeScript

Chroma 是一个用于 Python / JavaScript LLM 应用程序的嵌入式数据库，它具有内存快速访问的优势。它只有 4 个核心函数：

import chromadb # setup Chroma in-memory, for easy prototyping. Can add persistence easily! client = chromadb.Client() # Create collection. get_collection, get_or_create_collection, delete_collection also available! collection = client.create_collection("all-my-documents") # Add docs to the collection. Can also update and delete. Row-based API coming soon! collection.add( documents=["This is document1", "This is document2"], # we handle tokenization, embedding, and indexing automatically. You can skip that and add your own embeddings as well metadatas=[{"source": "notion"}, {"source": "google-docs"}], # filter on these! ids=["doc1", "doc2"], # unique for each doc ) # Query/search 2 most similar results. You can also .get by id results = collection.query( query_texts=["This is a query document"], n_results=2, # where={"metadata_field": "is_equal_to_this"}, # optional filter # where_document={"$contains":"search_string"} # optional filter )