Erstellen und Teilen von Model Cards

Die huggingface_hub-Bibliothek bietet eine Python-Schnittstelle zum Erstellen, Teilen und Aktualisieren von Model Cards. Besuchen Sie die spezielle Dokumentationsseite für einen tieferen Einblick in das, was Model Cards im Hub sind und wie sie unter der Haube funktionieren.

Neu (Beta)! Probieren Sie unsere experimentelle Model Card Creator App aus

Eine Model Card vom Hub laden

Um eine bestehende Karte vom Hub zu laden, können Sie die Funktion ModelCard.load() verwenden. Hier laden wir die Karte von nateraw/vit-base-beans.

from huggingface_hub import ModelCard

card = ModelCard.load('nateraw/vit-base-beans')

Diese Karte hat einige nützliche Attribute, auf die Sie zugreifen oder die Sie nutzen möchten:

card.data: Gibt eine ModelCardData-Instanz mit den Metadaten der Model Card zurück. Rufen Sie .to_dict() auf diese Instanz auf, um die Darstellung als Wörterbuch zu erhalten.
card.text: Gibt den Textinhalt der Karte ohne den Metadatenkopf zurück.
card.content: Gibt den Textinhalt der Karte, einschließlich des Metadatenkopfes, zurück.

Model Cards erstellen

Aus Text

Um eine Model Card aus Text zu initialisieren, übergeben Sie einfach den Textinhalt der Karte an ModelCard beim Initialisieren.

content = """
---
language: en
license: mit
---

# My Model Card
"""

card = ModelCard(content)
card.data.to_dict() == {'language': 'en', 'license': 'mit'}  # True

Eine andere Möglichkeit besteht darin, dies mit f-Strings zu tun. Im folgenden Beispiel:

Verwenden wir ModelCardData.to_yaml(), um die von uns definierten Metadaten in YAML umzuwandeln, damit wir sie in die Model Card einfügen können.
Zeigen wir, wie Sie eine Vorlagenvariable über Python f-Strings verwenden könnten.

card_data = ModelCardData(language='en', license='mit', library='timm')

example_template_var = 'nateraw'
content = f"""
---
{ card_data.to_yaml() }
---

# My Model Card

This model created by [@{example_template_var}](https://github.com/{example_template_var})
"""

card = ModelCard(content)
print(card)

Das obige Beispiel würde uns eine Karte hinterlassen, die so aussieht:

---
language: en
license: mit
library: timm
---

# My Model Card

This model created by [@nateraw](https://github.com/nateraw)

Aus einem Jinja-Template

Wenn Sie Jinja2 installiert haben, können Sie Model Cards aus einer Jinja-Vorlagendatei erstellen. Schauen wir uns ein einfaches Beispiel an:

from pathlib import Path

from huggingface_hub import ModelCard, ModelCardData

# Definieren Sie Ihre Jinja-Vorlage
template_text = """
---
{{ card_data }}
---

# Model Card for MyCoolModel

This model does this and that.

This model was created by [@{{ author }}](https://hf.co/{{author}}).
""".strip()

# Schreiben Sie die Vorlage in eine Datei
Path('custom_template.md').write_text(template_text)

# Definieren Sie die Metadaten der Karte
card_data = ModelCardData(language='en', license='mit', library_name='keras')

# Erstellen Sie eine Karte aus der Vorlage und übergeben Sie dabei alle gewünschten Jinja-Vorlagenvariablen.
# In unserem Fall übergeben wir "author"
card = ModelCard.from_template(card_data, template_path='custom_template.md', author='nateraw')
card.save('my_model_card_1.md')
print(card)

Das resultierende Karten-Markdown sieht so aus:

---
language: en
license: mit
library_name: keras
---

# Model Card for MyCoolModel

This model does this and that.

This model was created by [@nateraw](https://hf.co/nateraw).

Wenn Sie Daten in card.data aktualisieren, wird dies in der Karte selbst widergespiegelt.

card.data.library_name = 'timm'
card.data.language = 'fr'
card.data.license = 'apache-2.0'
print(card)

Jetzt, wie Sie sehen können, wurde der Metadatenkopf aktualisiert:

---
language: fr
license: apache-2.0
library_name: timm
---

# Model Card for MyCoolModel

This model does this and that.

This model was created by [@nateraw](https://hf.co/nateraw).

Wenn Sie die Karteninformationen aktualisieren, können Sie durch Aufrufen von ModelCard.validate() überprüfen, ob die Karte immer noch gültig für den Hub ist. Dies stellt sicher, dass die Karte alle Validierungsregeln erfüllt, die im Hugging Face Hub eingerichtet wurden.

Aus dem Standard-Template

Anstatt Ihr eigenes Template zu verwenden, können Sie auch das Standard-Template verwenden, welches eine vollständig ausgestattete Model Card mit vielen Abschnitten ist, die Sie vielleicht ausfüllen möchten. Unter der Haube verwendet es Jinja2, um eine Vorlagendatei auszufüllen.

Beachten Sie, dass Sie Jinja2 installiert haben müssen, um from_template zu verwenden. Sie können dies mit pip install Jinja2 tun.

card_data = ModelCardData(language='en', license='mit', library_name='keras')
card = ModelCard.from_template(
    card_data,
    model_id='my-cool-model',
    model_description="this model does this and that",
    developers="Nate Raw",
    repo="https://github.com/huggingface/huggingface_hub",
)
card.save('my_model_card_2.md')
print(card)

Model Cards teilen

Wenn Sie mit dem Hugging Face Hub authentifiziert sind (entweder durch Verwendung von huggingface-cli login oder login()), können Sie Karten zum Hub hinzufügen, indem Sie einfach ModelCard.push_to_hub() aufrufen. Schauen wir uns an, wie das funktioniert…

Zuerst erstellen wir ein neues Repo namens ‘hf-hub-modelcards-pr-test’ im Namensraum des authentifizierten Benutzers:

from huggingface_hub import whoami, create_repo

user = whoami()['name']
repo_id = f'{user}/hf-hub-modelcards-pr-test'
url = create_repo(repo_id, exist_ok=True)

Dann erstellen wir eine Karte aus der Standardvorlage (genau wie die oben definierte):

card_data = ModelCardData(language='en', license='mit', library_name='keras')
card = ModelCard.from_template(
    card_data,
    model_id='my-cool-model',
    model_description="this model does this and that",
    developers="Nate Raw",
    repo="https://github.com/huggingface/huggingface_hub",
)

Schließlich laden wir das zum Hub hoch:

card.push_to_hub(repo_id)

Sie können die resultierende Karte hier überprüfen.

Wenn Sie eine Karte als Pull-Request hinzufügen möchten, können Sie beim Aufruf von push_to_hub einfach create_pr=True angeben:

card.push_to_hub(repo_id, create_pr=True)

Ein PR, der mit diesem Befehl erstellt wurde, kann hier aufgerufen werden.

Evaluierungsergebnisse einbeziehen

Um Evaluierungsergebnisse in den Metadaten model-index einzufügen, können Sie ein EvalResult oder eine Liste von EvalResult mit Ihren zugehörigen Evaluierungsergebnissen übergeben. Im Hintergrund wird der model-index erstellt, wenn Sie card.data.to_dict() aufrufen. Weitere Informationen darüber, wie dies funktioniert, finden Sie in diesem Abschnitt der Hub-Dokumentation.

Beachten Sie, dass die Verwendung dieser Funktion erfordert, dass Sie das Attribut model_name in ModelCardData einbeziehen.

card_data = ModelCardData(
    language='en',
    license='mit',
    model_name='my-cool-model',
    eval_results = EvalResult(
        task_type='image-classification',
        dataset_type='beans',
        dataset_name='Beans',
        metric_type='accuracy',
        metric_value=0.7
    )
)

card = ModelCard.from_template(card_data)
print(card.data)

Die resultierende card.data sollte so aussehen:

language: en
license: mit
model-index:
- name: my-cool-model
  results:
  - task:
      type: image-classification
    dataset:
      name: Beans
      type: beans
    metrics:
    - type: accuracy
      value: 0.7

Wenn Sie mehr als ein Evaluierungsergebnis teilen möchten, übergeben Sie einfach eine Liste von EvalResult:

card_data = ModelCardData(
    language='en',
    license='mit',
    model_name='my-cool-model',
    eval_results = [
        EvalResult(
            task_type='image-classification',
            dataset_type='beans',
            dataset_name='Beans',
            metric_type='accuracy',
            metric_value=0.7
        ),
        EvalResult(
            task_type='image-classification',
            dataset_type='beans',
            dataset_name='Beans',
            metric_type='f1',
            metric_value=0.65
        )
    ]
)
card = ModelCard.from_template(card_data)
card.data

Dies sollte Ihnen die folgenden card.data hinterlassen:

language: en
license: mit
model-index:
- name: my-cool-model
  results:
  - task:
      type: image-classification
    dataset:
      name: Beans
      type: beans
    metrics:
    - type: accuracy
      value: 0.7
    - type: f1
      value: 0.65

< > Update on GitHub

Hub Python Library