README.md

metadata

language:
  - en
  - pt
tags:
  - translation
  - translation-en-to-pt
  - marian
  - opus-mt
license: apache-2.0
datasets:
  - opus_books
metrics:
  - bleu
model-index:
  - name: opus-mt-tc-big-en-pt-en-pt-finetuned-20260527-234733
    results:
      - task:
          type: translation
          name: Translation
        dataset:
          type: opus_books
          name: opus_books (en-pt)
          args: en-pt
        metrics:
          - type: bleu
            value: 47.10052646392613
            name: BLEU

opus-mt-tc-big-en-pt-en-pt-finetuned-20260527-234733

Este modelo é uma versão refinada (fine-tuned) do modelo Helsinki-NLP/opus-mt-tc-big-en-pt para tradução de EN para PT. O treinamento foi realizado utilizando a infraestrutura do NPAD (Supercomputador da UFRN) com Slurm.

Detalhes do Modelo

• Tipo do Modelo: MarianMT (Seq2Seq)
• Idioma de Origem: EN
• Idioma de Destino: PT
• Modelo Base: Helsinki-NLP/opus-mt-tc-big-en-pt
• Dataset de Treinamento: opus_books (en-pt)

Métricas de Avaliação Finais

• BLEU Score: 47.10052646392613
• Hiperparâmetros de Treinamento:
  • Número de Épocas: 1
  • Taxa de Aprendizado: 2e-05

Como Usar (Inferência)

Você pode testar este modelo diretamente no Hugging Face Spaces ou usando a biblioteca transformers em Python:

from transformers import MarianMTModel, MarianTokenizer

model_name = "tarsssss/opus-mt-tc-big-en-pt-en-pt-finetuned-20260527-234733"
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)

def traduzir(texto):
    # Preparar inputs
    inputs = tokenizer(texto, return_tensors="pt", padding=True, truncation=True)
    
    # Gerar a tradução
    translated_tokens = model.generate(**inputs)
    
    # Decodificar os tokens gerados
    resultado = tokenizer.decode(translated_tokens[0], skip_special_tokens=True)
    return resultado

frase = "Welcome to the world of open-source machine learning!"
traducao = traduzir(frase)
print(f"Original: {frase}")
print(f"Tradução: {traducao}")

Agradecimentos e Infraestrutura

Agradecemos ao NPAD (Núcleo de Processamento de Alto Desempenho - UFRN) por ceder os recursos computacionais necessários para o treinamento deste modelo.