Mapzen 的重生，新项目助力 PyTorch，更快的 AI 对象检测，以及其他开源新闻

了解过去两周最重要的开源头条新闻。

图片来源：

opensource.com

在本期开源新闻综述中，我们将关注 Mapzen 的重生、助力 PyTorch 的两个新项目、新的开源对象检测软件等等！

Mapzen 卷土重来

虽然其技术被 OpenStreetMap 等开源项目以及 Foursquare 等公司使用，但开源地图公司 Mapzen 无法维持其业务。Mapzen 最初于 2018 年关闭了大门，但在 Linux 基金会的支持下，它获得了新生。

作为城市计算基金会 (UCF) 下的一个项目，Mapzen “包含六个独立的项目和社区，致力于开发一个真正开放的平台，用于地图、搜索、导航和交通数据。” 归属于 UCF 的保护伞下使 Mapzen 的开发人员能够“协作并构建一套通用的开源工具，连接城市、自动驾驶汽车和智能基础设施。” 他们还可以利用谷歌、IBM 和加州大学圣地亚哥分校等 UCF 成员的支持。Mapzen 项目可在其 GitHub 组织下找到。

助力 PyTorch 的新开源项目

PyTorch 是源自 Facebook 的开源机器学习框架，最近受到了其创建者和 AWS 的青睐。这两家公司都发布了开源项目来助力 PyTorch。

Facebook 正在分享 TorchServe，“一个用于 PyTorch 的模型服务框架，它将使开发人员更容易将其模型投入生产。” AWS 的贡献是 TorchElastic，“一个库，使开发人员更容易在 Kubernetes 集群上构建容错训练作业。” PyTorch 的产品经理 Joe Spisak 告诉 VentureBeat，通过使用这两个项目，开发人员可以“在许多节点上运行训练，而训练作业实际上不会失败；它只会优雅地继续，一旦这些节点重新上线，它基本上可以重新启动训练。”

您可以在 GitHub 上找到 TorchServe 和 TorchElastic 的代码。

微软和华中科技大学发布对象检测 AI

人工智能系统面临的更困难的任务之一是准确检测和识别照片和视频中的对象。来自微软和中国华中科技大学的研究人员发布了一个开源工具，可以快速有效地完成这项工作。

该工具名为 Fair Multi-Object Tracking（简称 FairMOT），“在公共数据集上以每秒 30 帧（几乎是正常视频速度）的速度优于最先进的模型”。研究人员花费了大约 30 个小时使用来自 MOT Challenge 的数据来训练该软件，MOT Challenge 是“一个用于验证人员跟踪算法的框架”。FairMOT 背后的团队认为，该工具可用于“从老年人护理到安全等各个行业，并且可能用于跟踪 COVID-19 等疾病的传播。”

您可以在此 GitHub 存储库中查看 FairMOT 的源代码和训练模型。