PyHubWeekly每周定期更新，精選GitHub上優質的Python項目/小工具。
我把PyHubWeekly托管到了Github，感興趣的可以搜索Github項目PyHubWeekly，如果喜歡，麻煩給個Star支持一下吧。此外，歡迎大家通過提交issue來投稿和推薦自己的項目~
本期為大家推薦GitHub上5個優質的Python項目，<!--more-->它們分別是：
下面分別來介紹一下上述5個GitHub項目。
Star：105
git是一個非常強大，但是管理起來又相對麻煩的一款版本控制工具，為了保證代碼的整潔性、一致性、安全性，我們需要人工進行非常多的檢視工作。
如果是Python、php這類腳本語言還好，畢竟代碼量相對較少，但是，如果是C++、Java，需要耗費很大功夫在代碼的檢視方面。
igcommit提供一種pre-receive鉤子，使得當提交代碼時能夠提前與服務器端代碼進行校驗和規范檢查，如果不符合要求則會直接拒絕，能夠很大程度上減少代碼檢視工作量。它主要有如下特性：
安裝配置
pip install igcommit
ln -s igcommit-receive /home/git/repositories/myproject.git/hooks/pre-receive示例
===CheckDuplicateCommitSummaries on CommitList===ERROR: summary "Add nagios check for early expiration of licenses" duplicated 2 times
?===CheckCommitSummary on 31d0f6b===WARNING: summary longer than 72 characters
?===CheckCommitSummary on 6bded65===WARNING: past tense used on summary
?===CheckCommand "flake8" on src/check_multiple.py at 6bded65===INFO: line 10 col 5: E225 missing whitespace around operator
INFO: line 17 col 80: E501 line too long (122 > 79 characters)
INFO: line 17 col 85: E203 whitespace before ','
?===CheckCommitMessage on 6fdbc00===WARNING: line 7 is longer than 80
WARNING: line 9 is longer than 80Star：319
pyxelate是一款生成圖像像素藝術照的工具，它通過對圖像進行下采樣，然后結合無監督學習生成調色板合成衣服像素圖片。
安裝
pip3 install git+https://github.com/sedthh/pyxelate.git示例
from pyxelate import Pyxelate
from skimage import io
import matplotlib.pyplot as plt
?
img=io.imread("kobe.jpg")
# generate pixel art that is 1/14 the size
height, width, _=img.shape
factor=3
colors=16
dither=True
?
p=Pyxelate(height // factor, width // factor, colors, dither)
img_small=p.convert(img) # convert an image with these settings
?
_, axes=plt.subplots(1, 2, figsize=(16, 16))
axes[0].imshow(img)
axes[1].imshow(img_small)
plt.show()輸出結果
Star：557
automl是有Google Brain剛開源不到一周的一款自動機器學習項目，此項目包含了與AutoML相關的模型和庫的列表。
由于項目剛開源，所以列表中只包含了谷歌最新目標檢測模型EfficientDet，該模型在模型大小、計算量方面都對比于當前最優秀的模型有了很大的提升。
Star：10.7k
salt是一款由Python開發的應用集中管理平臺，設計最初的目的是用于遠程執行系統，但是經過多年的豐富和晚上，現在具備如下幾項主要功能，
這款工具比較適合于運維人員使用，它能夠批量在大量的服務器上執行命令，對多種任務進行綜合管理、文件分發。
Star：72.5k
我們總是在網上看到很多好用的工具或者網站，你是否想過自己實現一款解決某項痛點的工具？
public-apis是一個軟件和web開發的免費api的集合，它涵蓋內容包括但不限于，
我們可以找到自己需要的api，然后給它封裝一層外殼，形成一款完整易用的產品。例如，可以使用Python的一些web開發框架或者javascript庫React、Vue寫一個前端，這些api作為后端，這樣就成了一款web應用。當然，也可以使用PyQt、tkinter、PySimpleGUI開發一款分發工具。
機器之心報道
項目作者：Linzaer
近日，用戶 Linzaer 在 Github 上推出了一款適用于邊緣計算設備、移動端設備以及 PC 的超輕量級通用人臉檢測模型，該模型文件大小僅 1MB，320x240 輸入下計算量僅 90MFlops。項目推出不久即引起了大家的關注，登上了今天的 Github trending。
項目地址：https://github.com/Linzaer/Ultra-Light-Fast-Generic-Face-Detector-1MB
以下是作者對此項目的介紹：
該模型設計是針對邊緣計算設備或低算力設備 (如用 ARM 推理) 設計的一款實時超輕量級通用人臉檢測模型，旨在能在低算力設備中如用 ARM 進行實時的通用場景的人臉檢測推理，同樣適用于移動端環境（Android & IOS）、PC 環境（CPU & GPU )。有如下幾個特點：
測試過正常的運行環境
精度、速度、場景測試、模型大小比較
訓練集是使用 Retinaface 提供的清理過的 widerface 標簽配合 widerface 數據集生成 VOC 訓練集（PS:以下測試結果均為本人測試，結果可能有部分出入）。
Widerface 測試
在 WIDER FACE test 集測試精度（單尺度輸入分辨率：320*240）
在 WIDER FACE test 集測試精度（單尺度輸入分辨率：VGA 640*480）
終端設備推理速度
樹莓派 4B MNN 推理測試耗時 (單位：ms)（ARM/A72x4/1.5GHz/輸入分辨率 : 320x240 /int8 量化）
場景測試
若干不同場景視頻大致有效人臉檢出數量測試（單位：個）（分辨率：VGA 640*480，閾值 0.6）：
模型大小比較
若干主流開源輕量級人臉檢測模型大小比較 ：
此外，如果讀者希望復現這些測試，或者親自試試訓練效果，那么可以直接下載 widerface 官網數據集或者下載作者提供的訓練集。這些數據集都需要放到./data 文件夾，且需要過濾掉 10×10 像素以下的人臉。如果從官網下載的數據集，那么還需要運行一個腳本過濾太小的人臉，因此最好的方法就是直接下載作者提供已過濾的數據集。
在移除了 10*10 像素以下的極小人臉后，這個超輕量人臉檢測模型能識別該圖中的335張人臉。
至此 VOC 訓練集準備完畢，項目根目錄下分別有 train_mb_tiny_fd.sh 和 train_mb_tiny_RFB_fd.sh 兩個腳本，前者用于訓練 slim 版本模型，后者用于訓練 RFB 版本模型，默認參數已設置好，參數如需微調請參考 ./train.py 中關于各訓練超參數的說明。