Navigeren in Hugging Face-modellen

Multi-modale modellen met Hugging Face

James Chapman

Curriculum Manager, DataCamp

Maak kennis met je docent...

 

Sean Benson
  • Voormalig deeltjesfysicus bij de Large Hadron Collider (LHC) in CERN, Zwitserland
  • Nu toegepast AI-onderzoeker bij het Amsterdam UMC

Foto van Sean Benson.

Multi-modale modellen met Hugging Face

Gedekte modaliteiten

Voorbeelden van tekst-, beeld-, audio- en video-applicaties.

1 Beeldcredits: gegenereerd door OpenAI
Multi-modale modellen met Hugging Face

Hugging Face

Schermafbeelding van een Hugging Face-modelpagina met modelkaartinfo

  • 1M+ modellen
  • 250k+ datasets
Multi-modale modellen met Hugging Face

De Hub-API

  • Modelle en datasets programmatisch benaderen
pip install huggingface_hub[cli]

Log in om toegang te krijgen tot de modellen in je account:

>>> huggingface-cli login
  • Alle libraries, modellen en datasets zijn vooraf geïnstalleerd
Multi-modale modellen met Hugging Face

Modellen zoeken

  • Hugging Face API: programmatisch toegang tot modellen en datasets
from huggingface_hub import HfApi
api = HfApi()

models = api.list_models()
  • task: "image-classification", "text-to-image", etc.
  • sort: bijv. "likes" of "downloads"
  • limit: Max. aantal items
  • tags: Extra info gekoppeld aan het model
Multi-modale modellen met Hugging Face

Modellen zoeken

models = api.list_models(

task="text-to-image",
author="CompVis",
tags="diffusers:StableDiffusionPipeline",
sort="downloads"
)
top_model = list(models)[0]
print(top_model)
ModelInfo(id='CompVis/stable-diffusion-v1-4', private=False, downloads=1097285, 
          likes=6718, library_name='diffusers', ...
Multi-modale modellen met Hugging Face

Modellen gebruiken via de API

top_model_id = top_model.id
print(top_model_id)
CompVis/stable-diffusion-v1-4
from diffusers import StableDiffusionPipeline
pipe = StableDiffusionPipeline.from_pretrained(top_model_id)
Multi-modale modellen met Hugging Face

Beschikbare taken

  • Gedocumenteerd op een webpagina

  • Ook beschikbaar via JSON: https://huggingface.co/api/tasks

import json
from urllib.request import urlopen
url = "https://huggingface.co/api/tasks"

with urlopen(url) as url:
    tasks = json.load(url)
print(tasks.keys())
dict_keys(['any-to-any',
'audio-classification',
'audio-to-audio', ...'])
1 https://huggingface.co/tasks 2 https://huggingface.co/api/tasks
Multi-modale modellen met Hugging Face

Laten we oefenen!

Multi-modale modellen met Hugging Face

Preparing Video For Download...