ამ ბლოგპოსტში გაეცნობით ყველაფერს, რაც Hugging Face-ში მოხდა ივნისში, ივლისსა და აგვისტოში! ეს პოსტი მოიცავს ჩვენი გუნდის მიერ დამუშავებულ მრავალფეროვან სფეროებს, ამიტომ ნუ მოგერიდებათ გადახტომა იმ ნაწილებზე, რომლებიც ყველაზე მეტად გაინტერესებთ 🤗 ბოლო რამდენიმე თვის განმავლობაში, Hub-ზე საჯარო მოდელების რეპოზიტორიების რაოდენობა 10,000-დან 16,000-ზე მეტ მოდელამდე გაიზარდა! მადლობა ჩვენს საზოგადოებას მსოფლიოსთვის ამდენი საოცარი მოდელის გაზიარებისთვის. ციფრების მიღმა კი, უამრავი საინტერესო ახალი ფუნქცია გვაქვს თქვენთვის გასაზიარებელი! „Spaces“ არის მარტივი და უფასო გადაწყვეტილება მანქანური სწავლების დემო აპლიკაციების პირდაპირ თქვენს მომხმარებლის პროფილზე ან თქვენი ორგანიზაციის hf.co პროფილზე ჰოსტინგისთვის. ჩვენ მხარს ვუჭერთ ორ შესანიშნავ SDK-ს, რომელიც საშუალებას გაძლევთ მარტივად შექმნათ მაგარი აპლიკაციები Python-ში: Gradio და Streamlit. სულ რამდენიმე წუთში შეგიძლიათ განათავსოთ აპლიკაცია და გაუზიაროთ ის საზოგადოებას! 🚀 „Spaces“ საშუალებას გაძლევთ დააყენოთ საიდუმლოებები, დაუშვათ მორგებული მოთხოვნები და მისი მართვა შესაძლებელია პირდაპირ GitHub-ის რეპოზიტორიებიდანაც კი. ბეტა ვერსიაზე დარეგისტრირება შეგიძლიათ hf.co/spaces-ზე. აქ არის რამდენიმე ჩვენი ფავორიტი! ახლა უკვე შეგიძლიათ „მოიწონოთ“ ნებისმიერი მოდელი, მონაცემთა ნაკრები ან „Space“ http://huggingface.co-ზე, რაც ნიშნავს, რომ შეგიძლიათ სიყვარული გაუზიაროთ საზოგადოებას ❤️. ასევე შეგიძლიათ თვალი ადევნოთ, ვინ რას „მოსწონს“, „მოწონებების“ ველზე დაწკაპუნებით 👀. შეგიძლიათ მოიწონოთ თქვენივე რეპოზიტორიები, ჩვენ არ განგსჯით 😉. ივნისის ბოლოს, ჩვენ გავუშვით TensorBoard-ის ინტეგრაცია ჩვენი ყველა მოდელისთვის. თუ რეპოზიტორიაში არის TensorBoard-ის „კვალი“ (ტრეისები), ავტომატურად, უფასო TensorBoard-ის ინსტანცია გაეშვება თქვენთვის. ეს მუშაობს როგორც საჯარო, ისე კერძო რეპოზიტორიებთან და ნებისმიერი ბიბლიოთეკისთვის, რომელსაც აქვს TensorBoard-ის „ტრეისები“! ივლისში, ჩვენ დავამატეთ შეფასების მეტრიკების ჩამონათვალის შესაძლებლობა მოდელების რეპოზიტორიებში, მათი მოდელის ბარათზე (model card) დამატებით 📈. თუ შეფასების მეტრიკას დაამატებთ თქვენი მოდელის ბარათის „model-index“ განყოფილებაში, ის ამაყად გამოჩნდება თქვენი მოდელის რეპოზიტორიაში. თუ ეს საკმარისი არ იყო, ეს მეტრიკები ავტომატურად დაუკავშირდება შესაბამის Papers With Code-ის ლიდერბორდს. ეს ნიშნავს, რომ როგორც კი გააზიარებთ თქვენს მოდელს Hub-ზე, შეგიძლიათ შეადაროთ თქვენი შედეგები სხვების შედეგებს საზოგადოებაში. 💪 იხილეთ ეს რეპოზიტორია მაგალითად, ყურადღება მიაქციეთ მისი მოდელის ბარათის „model-index“ განყოფილებას, რათა ნახოთ, როგორ შეგიძლიათ ამის გაკეთება თავად და ავტომატურად იპოვოთ მეტრიკები Papers with Code-ში. Hub-ს აქვს 18 ვიჯეტი, რომელიც მომხმარებლებს საშუალებას აძლევს გამოსცადონ მოდელები პირდაპირ ბრაუზერში. Sentence Transformers-თან ჩვენი უახლესი ინტეგრაციებით, ჩვენ ასევე წარმოვადგინეთ ორი ახალი ვიჯეტი: ფუნქციების ექსტრაქცია (feature extraction) და წინადადებების მსგავსება (sentence similarity). უახლესი აუდიო კლასიფიკაციის ვიჯეტი მრავალ საინტერესო გამოყენების შემთხვევას იძლევა: ენის იდენტიფიკაცია, ქუჩის ხმაურის ამოცნობა 🚨, ბრძანებების ამოცნობა, სპიკერის იდენტიფიკაცია და სხვა! შეგიძლიათ სცადოთ ეს ტრანსფორმატორებისა და speechbrain-ის მოდელებით დღესვე! 🔊 (გაითვალისწინეთ, ზოგიერთი მოდელის გამოცდისას, შესაძლოა ხმამაღლა ყეფა დაგჭირდეთ) შეგიძლიათ სცადოთ ჩვენი სტრუქტურირებული მონაცემების კლასიფიკაციის ადრეული დემო Scikit-learn-ით. და ბოლოს, ჩვენ ასევე წარმოვადგინეთ ახალი ვიჯეტები გამოსახულებასთან დაკავშირებული მოდელებისთვის: ტექსტი გამოსახულებად, გამოსახულების კლასიფიკაცია და ობიექტის ამოცნობა. სცადეთ გამოსახულების კლასიფიკაცია Google-ის ViT მოდელით აქ და ობიექტის ამოცნობა Facebook AI-ის DETR მოდელით აქ! ეს ყველაფერი არ არის, რაც Hub-ზე მოხდა. ჩვენ წარმოვადგინეთ Hub-ის ახალი და გაუმჯობესებული დოკუმენტაცია. ასევე დავნერგეთ ორი ფართოდ მოთხოვნილი ფუნქცია: მომხმარებლებს ახლა შეუძლიათ რეპოზიტორიების გადატანა/გადარქმევა და ახალი ფაილების პირდაპირ Hub-ზე ატვირთვა. ივნისში, ჩვენ გავუშვით ჩვენი უფასო ონლაინ კურსის პირველი ნაწილი! კურსი გასწავლით ყველაფერს 🤗 ეკოსისტემის შესახებ: Transformers, Tokenizers, Datasets, Accelerate და Hub. კურსის გაკვეთილების ბმულები ასევე შეგიძლიათ იპოვოთ ჩვენი ბიბლიოთეკების ოფიციალურ დოკუმენტაციაში. ყველა თავის პირდაპირი სესიები შეგიძლიათ იხილოთ ჩვენს YouTube არხზე. დაელოდეთ კურსის შემდეგ ნაწილს, რომელსაც ამ წლის ბოლოს გავუშვებთ! ივლისში ჩვენ ვუმასპინძლეთ ჩვენს ყველაზე დიდ საზოგადოებრივ ღონისძიებას თითქმის 800 მონაწილესთან ერთად! ამ ღონისძიებაზე, რომელიც JAX/Flax-ისა და Google Cloud-ის გუნდებთან ერთად იყო ორგანიზებული, გამოთვლითად ინტენსიური NLP, კომპიუტერული ხედვისა და მეტყველების პროექტები ხელმისაწვდომი გახდა ინჟინრებისა და მკვლევრების ფართო აუდიტორიისთვის უფასო TPUv3-ების მიწოდებით. მონაწილეებმა შექმნეს 170-ზე მეტი მოდელი, 22 მონაცემთა ნაკრები და 38 „Spaces“ დემო 🤯. შეგიძლიათ ნახოთ ყველა საოცარი დემო და პროექტი აქ. იყო მოხსენებები JAX/Flax-ის, Transformers-ის, ფართომასშტაბიანი ენის მოდელირებისა და სხვათა შესახებ! ყველა ჩანაწერის ნახვა შეგიძლიათ აქ. ჩვენ აღფრთოვანებული ვართ, რომ გაგიზიარებთ 3 გამარჯვებული გუნდის ნამუშევრებს! DALL·E mini. DALL·E mini არის მოდელი, რომელიც ქმნის გამოსახულებებს ნებისმიერი მოთხოვნის საფუძველზე, რომელსაც თქვენ მიაწვდით! DALL·E mini 27-ჯერ პატარაა ორიგინალ DALL·E-ზე და მაინც შთამბეჭდავ შედეგებს აჩვენებს. DietNerf. DietNerf არის 3D ნეირონული ხედის სინთეზის მოდელი, რომელიც შექმნილია 3D სცენის რეკონსტრუქციის few-shot სწავლისთვის 2D ხედების გამოყენებით. ეს არის „Putting Nerf on a Diet“ ნაშრომის პირველი ღია კოდის იმპლემენტაცია. CLIP RSIC. CLIP RSIC არის CLIP მოდელი, რომელიც დახვეწილია დისტანციური ზონდირების გამოსახულების მონაცემებზე, რათა შესაძლებელი გახდეს ნულოვანი გასროლის თანამგზავრული გამოსახულების კლასიფიკაცია და წარწერა. ეს პროექტი აჩვენებს, თუ რამდენად ეფექტური შეიძლება იყოს დახვეწილი CLIP მოდელები.