Hub 文档
Gradio Spaces
并获得增强的文档体验
开始使用
Gradio Spaces
Gradio 提供了一个简单直观的界面,用于从输入列表运行模型并以图像、音频、3D 对象等格式显示输出。Gradio 现在甚至拥有一个绘图输出组件,用于使用 Matplotlib、Bokeh 和 Plotly 创建数据可视化!有关更多详细信息,请参阅 Gradio 团队的入门指南。
在创建新 Space 时选择 Gradio 作为 SDK 将通过在 README.md
文件的 YAML 块中将 sdk
属性设置为 gradio
来使用最新版本的 Gradio 初始化您的 Space。如果您想更改 Gradio 版本,可以编辑 sdk_version
属性。
访问Gradio 文档以了解其所有功能,并查看Gradio 指南以获取一些方便的教程来帮助您入门!
你的第一个 Gradio Space:热狗分类器
在以下部分中,您将学习创建 Space、配置 Space 以及将代码部署到 Space 的基础知识。我们将使用 Gradio 创建一个热狗分类器 Space,用于演示julien-c/hotdog-not-hotdog 模型,该模型可以检测给定图片中是否包含热狗 🌭
您可以在NimaBoscarino/hotdog-gradio找到此项目的完整版本。
创建一个新的 Gradio Space
我们将从创建一个全新的 Space 开始,并选择 Gradio 作为我们的 SDK。Hugging Face Spaces 是 Git 仓库,这意味着您可以通过推送提交来逐步(协作地)处理您的 Space。请参阅存储库入门指南,了解如何在继续之前创建和编辑文件。
添加依赖项
对于热狗分类器,我们将使用🤗 Transformers pipeline 来使用模型,因此我们需要首先安装一些依赖项。这可以通过在我们的仓库中创建 requirements.txt 文件并向其中添加以下依赖项来完成
transformers
torch
Spaces 运行时将处理依赖项的安装!
创建 Gradio 界面
要创建 Gradio 应用程序,请在仓库中创建一个名为 app.py 的新文件,并添加以下代码
import gradio as gr
from transformers import pipeline
pipeline = pipeline(task="image-classification", model="julien-c/hotdog-not-hotdog")
def predict(input_img):
predictions = pipeline(input_img)
return input_img, {p["label"]: p["score"] for p in predictions}
gradio_app = gr.Interface(
predict,
inputs=gr.Image(label="Select hot dog candidate", sources=['upload', 'webcam'], type="pil"),
outputs=[gr.Image(label="Processed Image"), gr.Label(label="Result", num_top_classes=2)],
title="Hot Dog? Or Not?",
)
if __name__ == "__main__":
gradio_app.launch()
此 Python 脚本使用 🤗 Transformers pipeline 加载 julien-c/hotdog-not-hotdog 模型,该模型由 Gradio 界面使用。Gradio 应用程序会期望您上传一张图片,然后将其分类为热狗或不是热狗。将代码保存到 app.py 文件后,访问应用选项卡即可查看您的应用程序!


在其他网页中嵌入 Gradio Spaces
您可以通过使用 Web Components 或 HTML <iframe>
标签在其他网页中嵌入 Gradio Space。有关更多详细信息,请查看我们的文档或Gradio 文档。