Hub documentation

Usando Asteroid no Hugging Face

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Usando Asteroid no Hugging Face

asteroid é um toolkit do PyTorch para separação de fontes de áudio. Ele permite experimentação rápida em conjuntos de dados comuns, com suporte a uma ampla variedade de conjuntos de dados e receitas para reproduzir artigos.

Explorando o Asteroid no Hub

Você pode encontrar modelos asteroid filtrando à esquerda na página de modelos.

Todos os modelos no Hub vêm com os seguintes recursos:

  1. Um cartão de modelo gerado automaticamente com uma descrição, configuração de treinamento, métricas e muito mais.
  2. Tags de metadados que auxiliam na descoberta e contêm informações como licenças e conjuntos de dados.
  3. Um widget interativo que você pode usar para interagir com o modelo diretamente no navegador.
  4. Um widget de Inference Providers que permite fazer solicitações de inferência.

Usando modelos existentes

Para um guia completo sobre o carregamento de modelos pré-treinados, recomendamos consultar o guia oficial.

Todas as classes de modelo (BaseModel, ConvTasNet, etc.) possuem um método from_pretrained que permite carregar modelos do Hub.

from asteroid.models import ConvTasNet
model = ConvTasNet.from_pretrained('mpariente/ConvTasNet_WHAM_sepclean')

Se você quiser ver como carregar um modelo específico, pode clicar em Use in Adapter Transformers e receber um trecho de código funcional para carregá-lo!

Compartilhando seus modelos

No momento, não há um método automático para enviar seus modelos ao Hub, mas o processo de envio está documentado no guia oficial.

Todas as receitas criam todos os arquivos necessários para enviar um modelo ao Hub. O processo geralmente envolve as seguintes etapas:

  1. Crie e clone um repositório de modelo.
  2. Movendo arquivos da saída da receita para o repositório (model card, model filte, rastros do TensorBoard).
  3. Envie os arquivos (git add + git commit + git push).

Depois de fazer isso, você pode testar seu modelo diretamente no navegador e compartilhá-lo com o restante da comunidade.

Recursos adicionais

Update on GitHub