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，并在图像、音频、3D 对象等格式中显示输出。Gradio 现在甚至有一个 Plot output component，用于使用 Matplotlib、Bokeh 和 Plotly 创建数据可视化！有关更多详细信息，请查看 Gradio 团队的 入门指南。

在创建新的 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 来初始化您的 Space，使其使用最新版本的 Gradio。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 以获得一些方便的教程，帮助您入门！

您的第一个 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的图片是否包含热狗 🌭

您可以在 NimaBoscarino/hotdog-gradio 找到托管的完整版本。

创建一个新的 Gradio Space

我们将从创建一个全新的 Space 并选择 Gradio 作为我们的 SDK 开始。Hugging Face Spaces 是 Git 仓库，这意味着您可以通过推送提交来增量（和协作）地处理您的 Space。查看 仓库入门指南 以了解如何在继续操作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一个 requirements.txt 文件来完成，并将以下依赖项添加到其中

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，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，Gradio 界面使用该模型。Gradio 应用将期望您上传图像，然后将其分类为热狗或非热狗。将代码保存到 app.py 文件后，访问 App 选项卡以查看您的应用运行效果！

在其他网页上嵌入 Gradio Spaces

您可以使用 Web Components 或 HTML <iframe> 标签在其他网页上嵌入 Gradio Space。查看 我们的文档 或 Gradio 文档 了解更多详细信息。