每年InfoWorld都会根据软件对开源界的贡献，以及在业界的影响力评选出当年的“最佳开源软件”(BOSSIE)，该奖项评选已经延续了十多年。本次获奖的29个开源项目包括：软件开发、开发、云原生计算、机器学习等类型。
下面跟着源妹一起来看看，有没有熟悉的面孔~
1、Svelte和SvelteKit在众多创新的、开源的、前端的JavaScript框架中，Svelte及其全栈对应的SvelteKit可能是最有野心和远见的，是一种全新的构建用户界面的方法。
Svelte一开始就通过采用编译时策略来颠覆现状，并以出色的性能、持续的发展和卓越的开发者体验向前迈进。
SvelteKit现已进入公测阶段，它延续了Svelte的传统，通过采用最新的工具，并将部署到无服务器环境作为一项内置功能来实现飞跃。
2、MinikubeMinikube可以在本地单机上运行Kubernetes集群的工具。
Minikube可跨平台工作，不需要虚拟机，不需要在MacOS或Windows上安装Linux。支持多种容器，如Docker，CRI-O，Containerd等。
3、PixiePixie是Kubernetes应用的可观察性工具，它可以查看集群的高级状态，如服务地图、集群资源和应用流量；
还可以深入到更详细的视图，如pod状态、火焰图和单个full-body应用请求。
Pixie使用eBPF自动收集遥测数据，它在集群本地收集、存储和查询所有的遥测数据，使用不到5%的集群CPU。
Pixie的用例包括集群内的网络监控、基础设施健康、服务性能和数据库查询剖析。
4、FastAPI
FastAPI是一个高性能Web框架，用于构建API。
主要特性：
快速：
非常高的性能，与NodeJS和Go相当
快速编码：
将功能开发速度提高约％至％
更少的错误：
减少约40％的人为错误
直观：
强大的编辑器支持，自动补全无处不在，调试时间更少
简易：
旨在易于使用和学习，减少阅读文档的时间。
简短：
减少代码重复。
稳健：
获取可用于生产环境的代码，具有自动交互式文档
基于标准：
基于并完全兼容API的开放标准OpenAPI和JSONSchema
5、CrystalCrystal已经面试很多年了，Crystal的特点是兼具C语言的高效和Ruby的静态类型。
今年初已经发布了1.0版本，目前最新版本为1.2.1，已经足够稳定。
6、WindowsTerminalWindowsTerminal是一个全新的、流行的、功能强大的命令行终端工具。
包含很多来社区呼声很高的特性，例如：
多Tab支持、富文本、多语言支持、可配置、主题和样式，支持emoji和基于GPU运算的文本渲染等等。同时该终端依然符合我们的目标和要求，以确保它保持快速、高效，并且不会消耗大量内存和电源。
7、OBSStudioOBSStudio是一款用于直播和屏幕录制的软件，为高效捕获，合成，编码，记录和流传输视频内容而设计，支持所有流媒体平台。
快捷键可让试图平滑切换，甚至还有画中画和实时字幕的新功能
8、ShotcutShotcut是一款跨平台的视频编辑工具，允许人们在应用效果和分层的同时，对音频和视频轨道进行所有的标准修正。
Shotcut有一个非常活跃的社区，并提供大量的操作视频和指导，以帮助新手和高级摄像师。
它可以在Mac、Linux、BSD和Windows上运行--尽管是跨平台的，但与同类工具相比，它的界面很敏捷，使用起来也相对简单。
9、WeaveGitOpsCoreWeaveGitOps是一个GitOps工具。其目的是简化DevOps的工作流程，通过声明配置使Kubernetes更加稳定和安全。WeaveGitOps基于云原生基金会的Flux。
10、ApacheSolrApacheSolr是基于Lucene的全文搜索服务器，也是最流行的企业级搜索引擎。
Solr放弃了开源的许可证，不过现在仍然是免费的。Solr可集群部署、可在云端部署，甚至包括LTR算法，可自动调整加权结果。
11、MLflowMLflow由Databricks创建，并由Linux基金会托管，是一个MLOps平台，可以让人跟踪、管理和维护各种机器学习模型、实验及其部署。
它为你提供了记录和查询实验（代码、数据、配置、结果）的工具，将数据科学代码打包成项目，并将这些项目链入工作流程。
12、OrangeOrange旨在使将数据挖掘"富有成效且有趣"。
Orange允许用户创建一个数据分析工作流程，执行各种机器学习和分析功能以及可视化。
与RStudio和Jupyter等程序化或文本工具相比，Orange是非常直观的。
你可以将小部件拖到画布上以加载文件，用模型分析数据并将结果可视化。
13、FlutterFlutter由Google的工程师团队打造，用于创建高性能、跨平台的移动应用。
Flutter针对当下以及未来的移动设备进行优化，专注于AndroidandiOS低延迟的输入和高帧率。
它可以给开发者提供简单、高效的方式来构建和部署跨平台、高性能移动应用；
给用户提供漂亮、快速、jitter-free的app体验。
14、ApacheSupersetApacheSuperset是一个现代的、轻量级可视化BI分析工具。
ApacheSuperset在可视化、易用性和交互性上非常有特色，用户可以轻松对数据进行可视化分析。而且ApacheSuperset已经达到企业级商业软件的水平
15、PrestoPresto是一个开源的分布式SQL引擎，用于在线分析处理，在集群中运行。
Presto可以查询各种各样的数据源，从文件到数据库，并将结果返回到许多商业智能和分析环境。
更重要的是，Presto允许查询数据所在的地方，包括Hive、Cassandra、关系型数据库和专有数据存储。
一个Presto查询可以结合多个来源的数据。
Facebook使用Presto对几个内部数据存储进行互动查询，包括他们的PB数据仓库。
16、ApacheArrowApacheArrow为平面和分层数据定义了一种独立于语言的柱状内存格式，为现代CPU和GPU上的高效分析操作而组织。
Arrow内存格式还支持零拷贝读取，以便在没有序列化开销的情况下进行闪电式的数据访问。
Arrow库可用于C、C++、C#、Go、Java、JavaScript、Julia、MATLAB、Python、R、Ruby和Rust。
17、InterpretMLInterpretML是一个开源的ExplainableAI（XAI）包，其中包含了几个最先进的机器学习可解释性技术。
InterpretML让你训练可解释的glassbox模型并解释黑盒系统。
InterpretML可帮助你了解模型的全局行为，或了解个别预测背后的原因。
在它的许多功能中，InterpretML有一个来自MicrosoftResearch的"glassbox"模型，称为ExplainableBoostingMachine，它支持用黑盒模型的近似值进行post-hoc解释的Lime。
18、LimeLime（localinterpretablemodel-agnosticexplanations的简称）是一种post-hoc技术，通过扰动输入的特征并检查预测结果来解释任何机器学习分类器的预测。
Lime能够解释任何具有两个或更多类的黑盒分类器，其同时适用于文本和图像领域。
Lime也被包含在InterpretML中。
19、DaskDask是一个用于并行计算的开源库，可以将Python包扩展到多台机器上。
Dask可以将数据和计算分布在多个GPU上，无论是在同一个系统中还是在一个多节点集群中。
Dask与RapidscuDF、XGBoost和RapidscuML集成，用于GPU加速的数据分析和机器学习。
它还与NumPy、Pandas和Scikit-learn集成，以并行化其工作流程
20、BlazingSQLBlazingSQL是一个基于RAPIDS生态系统构建的GPU加速SQL引擎。
RAPIDS基于ApacheArrow柱状内存格式，cuDF是一个GPUDataFrame库，用于加载、连接、聚合、过滤和操作数据。它是cuDF的SQL接口，具有支持大规模数据科学工作流和企业数据集的各种功能。
21、RapidsNvidia的Rapids是由英伟达开源的一款开源机器学习GPU加速平台。
Rapids使用英伟达CUDA基元进行底层计算优化，通过Python将GPU的并行和高带宽内存以接口方式向外开放。Rapids依赖于ApacheArrow柱状内存格式，包括cuDF（类似Pandas的DataFrame库）；cuML（机器学习库集合，提供Scikit-learn中大多数算法的GPU版本）；以及cuGraph（类似NetworkX的加速图分析库）
22、PostHogPostHog是一个为开发人员构建的开源产品分析平台。
自动收集你网站或应用程序上的每个事件，无需向第三方发送数据。它在用户级别提供基于事件的分析，捕获你产品的使用数据以查看哪些用户在你的应用程序中执行了哪些操作。它会自动捕获点击次数和综合浏览量，以分析你的用户在做什么，而无需手动推送事件。
23、LakeFSLakeFS提供了一种"以管理代码的方式管理你的数据湖"的方法，为对象存储增加了一层类似于Git的版本控制。
这种对Git语义的应用让用户可以创建自己的隔离的、零拷贝的数据分支，在上面工作、实验和建模分析，而没有破坏共享对象的风险。
LakeFS为你的数据带来了有用的
转载请注明：http://www.0431gb208.com/sjszyzl/1864.html
