用 40 块搞个游戏机「GitHub 热点速览 v.22.27」

阅读原文时间：2022年07月05日阅读：1

作者：HelloGitHub-小鱼干

最便宜的小霸王游戏机都超过了五十，但是现在有了 PicoBoot 你用 40 块的树莓派就能搞出个任天堂游戏机（NGC）。PicoBoot 替换了 NGC 的 IPL 芯片，而 duf 替换了 Linux 的 df 命令解锁更多查看磁盘用量的姿势。

还有本周获得近 2k star 的美团开源的目标检测框架——YOLOv6，国内常见的计算机视觉框架可能是来源于腾讯、百度，但是这次美团的 YOLOv6 或许会让你眼前一亮。还有下一代，免构建免配置的 Web 框架 fresh 一样值得你去一探究竟。

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
- * 1.1 df 命令替代品：duf
  - 1.2 C# 热更新：huatuo
- * 2.1 钓鱼工具包：gophish
  - 2.2 魔改 Nintendo GameCube：PicoBoot
  - 2.3 UI 资源管理器：storybook
  - 2.4 下一代 Web 框架：fresh
  - 2.5 目标检测框架：YOLOv6

1.1 df 命令替代品：duf

本周 star 增长数：550+

Linux 命令 df 的替代品——duf，和 df 一样它也能查看硬盘使用情况。特性：

用户友好、输出丰富多彩；
适应你的终端主题和宽度；
按需对结果排序；
可按照组、筛选条件来呈现设备情况；
支持 JSON 输出结果；

GitHub 地址→https://github.com/muesli/duf

1.2 C# 热更新：huatuo

本周 star 增长数：150+

huatuo 是一个零成本、高性能、低内存占用的 Unity 全平台原生 C# 热更方案。huatuo 扩充了 IL2CPP 的代码，使它由纯 AOT Runtime 变成 'AOT+Interpreter' 混合 Runtime，进而原生支持动态加载 Assembly，使得基于 IL2CPP backend 打包的游戏不仅能在 Android 平台，也能在 iOS、Consoles 等限制 JIT 的平台上高效地以 AOT+interpreter 混合模式执行。从而，从底层彻底地支持热更新。

GitHub 地址→https://github.com/focus-creative-games/huatuo

2.1 钓鱼工具包：gophish

本周 star 增长数：150+

Gopish 是一个开源的网络钓鱼工具包，专为企业和渗透测试人员设计。它有极易上手的快速入门教程，并提高你的“钓鱼”和安全意识的能力。

GitHub 地址→https://github.com/gophish/gophish

2.2 魔改 Nintendo GameCube：PicoBoot

本周 star 增长数：250+

New PicoBoot 让你可用 Raspberry Pi Pico（树莓派 Pico）来替代 NGC（全称：Nintendo GameCube）的 IPL 芯片，这样你只要花 6 刀，折合人民币 40 元左右购入树莓派 Pico 相当于有了一台游戏机，可以玩 NGC 的游戏，比如：塞尔达、马里奥赛车等等。

GitHub 地址→https://github.com/webhdx/PicoBoot

2.3 UI 资源管理器：storybook

本周 star 增长数 600+

Storybook 是一个 UI 组件的开发环境。有了它，你可以浏览组件库，查看每个组件的不同状态，并交互式地开发和测试组件。

GitHub 地址→https://github.com/storybookjs/storybook

2.4 下一代 Web 框架：fresh

本周 star 增长数：3,250+

New Fresh 是下一代 Web 框架，具有快速、可靠、简洁等特性。一些特性：

边缘的即时渲染；
Runtime 零开销：默认情况下不存在 JS 客户端的传输；
没有构建环节；
免配置；
开箱即用，支持 TS；

GitHub 地址→https://github.com/denoland/fresh

2.5 目标检测框架：YOLOv6

本周 star 增长数：1,950+

YOLOv6 美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO 上精度可达 43.1% AP，在 T4 上推理速度可达 520 FPS。在部署方面，YOLOv6 支持 GPU（TensorRT）、CPU（OPENVINO）、ARM（MNN、TNN、NCNN）等不同平台的部署，极大地简化工程部署时的适配工作。