Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
PyTorch Project Specification.
| Date | Stars |
|---|---|
| 2026-07-24 | 681 |
| 2026-07-25 | 681 |
| 2026-07-28 | 681 |
| 2026-07-30 | 681 |
| 2026-08-06 | 681 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
# DeepVAC
DeepVAC提供了基于PyTorch的AI项目的工程化规范。为了达到这一目标，DeepVAC包含了：
- 软件工程规范：[软件工程规范](./docs/arch.md)；
- 代码规范：[代码规范](./docs/code_standard.md)；
- deepvac库：[deepvac库](./docs/lib.md)。
诸多PyTorch AI项目的内在逻辑都大同小异，因此DeepVAC致力于把更通用的逻辑剥离出来，从而使得工程代码的准确性、易读性、可维护性上更具优势。
如果想使得AI项目符合DeepVAC规范，需要仔细阅读[DeepVAC标准](./docs/deepvac_standard.md)。
如果想了解deepvac库的设计，请阅读[deepvac库的设计](./docs/design.md)。
# 如何基于DeepVAC构建自己的PyTorch AI项目
## 1. 阅读[DeepVAC标准](./docs/deepvac_standard.md)
可以粗略阅读，建立起第一印象。
## 2. 环境准备
DeepVAC的依赖有：
- Python3。不支持Python2，其已被废弃；
- 依赖包：torch, torchvision, tensorboard, scipy, numpy, cv2, Pillow；
这些依赖使用pip命令（或者git clone）自行安装，不再赘述。
对于普通用户来说，最方便高效的方式还是使用[MLab HomePod](https://github.com/DeepVAC/MLab#mlab-homepod)作为DeepVAC的使用环境，这是一个预构建的Docker image，可以帮助用户省掉不必要的环境配置时间。
同时在MLab组织内部，我们也使用[MLab HomePod](https://github.com/DeepVAC/MLab#mlab-homepod)进行日常的模型的训练任务。
## 3. 安装deepvac库
可以使用pip来进行安装：
```pip3 install deepvac```
或者
```python3 -m pip install deepvac```
如果你需要使用deepvac在github上的最新代码，就需要使用如下的开发者模式：
#### 开发者模式
- 克隆该项目到本地：```git clone https://github.com/DeepVAC/deepvac ```
- 在你的入口文件中添加：
```python
import sys
#replace with your local deepvac directory
sys.path.insert(0,'/home/gemfield/github/deepvac')
```
或者设置PYTHONPATH环境变量：
```bash
export PYTHONPATH=/home/gemfield/github/deepvac
```
## 4. 创建自己的PyTorch项目
- 初始化自己项目的git仓库；
- 在仓库中创建第一个研究分支，比如分支名为 LTS_b1_aug9_movie_video_plate_130w；
- 切换到上述的LTS_b1分支中，开始工作；
## 5. 编写配置文件
配置文件的文件名均为 config.py，位于你项目的根目录。在代码开始处添加```from deepvac import new, AttrDict```；
所有用户的配置都存放在这个文件里。config模块提供了6个预定义的作用域：config.core,config.aug,config.cast,config.datasets,config.backbones,config.loss。使用方法如下：
- 所有和trainer相关（包括train、val、test）的配置都定义在config.core.<my_train_class>中；
- 所有和deepvac.aug中增强模块相关的配置都定义在config.aug.<my_aug_class>中；
- 所有和模型转换相关的配置都定义在config.cast.<the_caster_class>中；
- 所有和Datasets相关的配置都定义在config.datasets.<my_dataset_class>中；
- 所有和loss相关的配置都定义在config.loss.<my_loss_class>中；
- 用户可以开辟自己的作用域，比如config.my_stuff = AttrDict()，然后config.my_stuff.name = 'gemfield'；
- 用户可以使用new()来初始化config实例，使用clone()来深拷贝config配置项。
更多配置：
- 预训练模型加载；
- checkpoint加载；
- tensorboard使用；
- TorchScript使用；
- 转换ONNX；
- 转换NCNN；
- 转换CoreML；
- 转换TensorRT；
- 转换TNN；
- 转换MNN；
- 开启量化；
- 开启EMA；
- 开启自动混合精度训练(AMP)；
以及关于配置文件的更详细解释，请阅读[config说明](./docs/config.md).
项目根目录下的train.py中用如下方式引用config.py文件:
```python
from config import config as deepvac_config
from deepvac import DeepvacTrain
class MyTrain(DeepvacTrain):
......
my_train = MyTrain(deepvac_config)
my_train()
```
项目根目录下的test.py中用如下方式引用config.py文件:
```python
from config import config as deepvac_config
from deepvac import Deepvac
class MyTest(Deepvac)
......
my_test = MyTest(deepvac_config)
my_test()
```
之后，train.py/test.py代码中通过如下方式来读写config.core中的配置项
```python
print(self.config.log_dir)
print(self.config.batch_size)
......
```
此外，鉴于config的核心作用，deepvac还设计了如下的API来方便对config模块的使用：
- AttrDict
- new
- interpret
- fork
- clone
```python
from deepvac import AttrDict, new, interpret, fork
```
关于这些API的使用方法，请访问[config API 说明](./docs/design.md#config-module).
## 6. 编写synthesis/synthesis.py（可选）
编写该文件，用于产生本项目的数据集，用于对本项目的数据集进行自动化检查和清洗。
这一步为可选，如果有需要的话，可以参考Deepvac组织下Synthesis2D项目的实现。
## 7. 编写aug/aug.py（可选）
编写该文件，用于实现数据增强策略。
deepvac.aug模块为数据增强设计了特有的语法，在两个层面实现了复用：aug 和 composer。比如说，我想复用添加随机斑点的SpeckleAug：
```python
from deepvac.aug.base_aug import SpeckleAug
```
这是对底层aug算子的复用。我们还可以直接复用别人写好的composer，并且是以直截了当的方式。比如deepvac.aug提供了一个用于人脸检测数据增强的RetinaAugComposer：
```python
from deepvac.aug import RetinaAugComposer
```
以上说的是直接复用，但项目中更多的是自定义扩展，而且大部分情况下也需要复用torchvision的transform的compose，又该怎么办呢？这里解释下，composer是deepvac.aug模块的概念，compose是torchvision transform模块的概念，之所以这么相似纯粹是因为巧合。
要扩展自己的composer也是很简单的，比如我可以自定义一个composer（我把它命名为GemfieldComposer），这个composer可以使用/复用以下增强逻辑：
- torchvision transform定义的compose；
- deepvac内置的aug算子；
- 我自己写的aug算子。
更详细的步骤请访问：[deepvac.aug模块使用](./docs/design.md#aug)
## 8. 编写Dataset类
代码编写在data/dataloader.py文件中。继承deepvac.datasets类体系，比如FileLineDataset类提供了对如下train.txt这种格式的封装：
```bash
#train.txtExcerpt of 8,110 characters
Read on GitHub
Gemfield · CivilNet · China
222
25
25
22
15
Would you bet a product on this? Bounded 0–100 and slow moving.
matched fp:49f7c807b22b94d2, topic:tensorrt, topic:onnx
matched fp:49f7c807b22b94d2, topic:quantization
matched fp:49f7c807b22b94d2, topic:pytorch