ModelScope(一站式开源的模型即服务共享平台)的简介、安装、使用方法之详细攻略

ModelScope的简介

        汇聚机器学习领域中最先进的开源模型，为开发者提供简单易用的模型构建、训练、部署等一站式产品服务，让模型应用更简单。

        ModelScope旨在打造下一代开源的模型即服务共享平台，为泛AI开发者提供灵活、易用、低成本的一站式模型服务产品，让模型应用更简单！

        我们希望在汇集行业领先的预训练模型，减少开发者的重复研发成本，提供更加绿色环保、开源开放的AI开发环境和模型服务，助力绿色“数字经济”事业的建设。 ModelScope平台将以开源的方式提供多类优质模型，开发者可在平台上免费体验与下载使用。

        若您也和我们有相同的初衷，欢迎关注我们，我们鼓励并支持个人或企业开发者与我们联系，平台将为您构建更好的支持服务，共同为泛AI社区做出贡献。

官网：https://modelscope.cn/home

官网文档：https://modelscope.cn/docs/%E6%A6%82%E8%A7%88%E4%BB%8B%E7%BB%8D

1、ModelScope 社区简介

2、对开发者好处

免费使用平台提供的预训练模型，支持免费下载运行；

一行命令实现模型预测，简单快速验证模型效果；

用自己的数据对模型进行调优，定制自己的个性化模型；

学习系统性的知识，结合实训，有效提升模型研发能力；

分享和贡献你的想法、评论与模型，让更多人认识你，在社区中成长；

3、ModelScope提供的服务

千亿参数大模型全面开放
多领域SOTA“百模”开源

10行代码实现模型finetune

1行代码实现模型推理

4、 ModelScope 社区平台覆盖多个领域的模型任务——CV、NLP、Audio、Multi-Modal

官方文档：

https://www.modelscope.cn/docs/%E4%BB%BB%E5%8A%A1%E7%9A%84%E4%BB%8B%E7%BB%8D

        ModelScope 社区平台提供了覆盖多个领域的模型任务，包括自然语言处理（NLP）、计算机视觉（CV)、语音（Audio)、多模态（Multi-Modal）等，并提供相关任务的推理、训练等服务。

• 计算机视觉（CV)：计算机视觉是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。
• 自然语言处理（NLP）：自然语言处理是人工智能和语言学领域的分支学科。自然语言处理融合了计算机科学，语言学和机器学习的交叉学科，利用计算机技术对语言进行处理和加工的科学，包括对词法、句法、语义等信息的识别、分类、抽取、生成等技术。
• 语音处理（Audio)：语音处理指机器从大量的语音数据中提取语音特征，学习和发现其中蕴含的规律的过程。
• 多模态（Multi-Modal）: 多模态主要是指让机器能够理解和处理自然界或人工定义的多种模态信息，如声音、语言、视觉信息和表格、点云信息等。多模态技术的目的是打通模态之间沟通的桥梁和通过信息互补提升理解各自模态的能力。常见任务有视觉问答，表格问答，图片描述以及目前火热的根据描述生成图片。

        当前，ModelScope 社区平台支持的任务类型按照领域分为如下的任务类型，该任务列表将持续更新扩展。若您有新的任务类型和模型，建议提PR给我们，我们欢迎社区成员共同来贡献和维护相应的任务列表！

计算机视觉

自然语言处理

语音处理

多模态技术

ModelScope的安装

ModelScope Library目前支持tensorflow，pytorch深度学习框架进行模型训练、推理， 在Python 3.7+, Pytorch 1.8+, Tensorflow1.15，Tensorflow 2.x上测试可运行。
注意：语音相关的功能仅支持 python3.7, tensorflow1.15.4的Linux环境使用。 其他功能可以在linux、mac x86等环境上安装使用。

T1、基于Anaconda安装

第一步，python环境配置

conda create -n modelscope python=3.7
conda activate modelscope

第二步，安装相关DL框架

pip3 install torch torchvision torchaudio
pip install --upgrade tensorflow

第三步，安装ModelScope library

第四步，测试

python -c "from modelscope.pipelines import pipeline;print(pipeline('word-segmentation')('今天天气不错，适合 出去游玩'))"

T2、直接在基于PAI-DSW的Jupyterlab内建模

ModelScope的使用方法

1、在线体验模型

模型库：https://www.modelscope.cn/models

2、创建模型或数据集并共享至ModelScope社区

管方文档：

https://modelscope.cn/docs/%E6%A8%A1%E5%9E%8B%E5%BA%93%E4%BB%8B%E7%BB%8D

第一步，登录账号，点击创建模型或数据集

第二步，填写基础信息

1）基础信息包括您的模型英文名称、中文名、所有者、许可证类型、是否公开和模型描述。

• 许可证类型决定您的模型遵循对应的开源协议。
• 是否公开决定您的模型是否能被其他用户检索查看，若设置为非公开模型，则其他用户无法查看，仅您自己查看。您也可以创建后在设置页面进行权限的修改配置。
• 模型描述建议介绍您的模型的特性和应用场景，将展现在模型列表页方便用户搜索查询。

2）上传README文档。若您已有README文档，可直接在此处上传。若您没有README文档，系统将为您自动创建一个README文档。 为了让模型介绍更容易被理解和检索，我们推荐您按照模型卡片规范进行书写，具体可查看如何写好用的模型卡片。

第三步， 点击创建模型

系统将根据您上传的README.md文件进行解析，并展示在模型介绍页面。

右侧的demo根据task进行支持，当前支持的task类型将逐步开放，若您在readme中按照要求填写task和demo的示例代码等信息，系统将自动渲染出来。

若您没有README文档，可在模型文件中找到README.md并点击编辑进行在线编辑。

完成创建后，平台将为您分配一个存储地址，如下： 

git lfs install
git clone http://... modelscope.cn/swingtest/text-generation.git

可通过页面或者git的方式将文件添加至该模型库中，也可通过页面上传相关的模型文件。

第四步，使用python SDK的方式添加模型 

其中ACCESS_TOKEN可以通过用账号密码登录网站, 前往【个人中心】->【访问令牌】获取

from modelscope.hub.api import HubApi

# 1、登录
api = HubApi()
api.login(YOUR_ACCESS_TOKEN)


# 2、创建模型
api.create_model(
    model_id="damo/cv_unet_image-matting_damo",
    visibility=ModelVisibility.PUBLIC,
    license=Licenses.APACHE_V2,
    chinese_name="这是我的第一个模型",
)

以上例子中，创建出模型的完整模型id为"damo/cv_unet_image-matting_damo"，可以在Model/Pipeline种使用。地址:https://www.yii666.com/blog/360259.html?action=onAll

3、具体案例应用

CV之ModelScope：基于ModelScope框架的人脸人像数据集利用DCT-Net算法实现人像卡通化图文教程之详细攻略

CV之ModelScope：基于ModelScope框架的人脸人像数据集利用DCT-Net算法实现人像卡通化图文教程之详细攻略_一个处女座的程序猿的博客-CSDN博客

NLP之ModelScope：基于ModelScope框架的afqmc数据集利用StructBERT预训练模型的文本相似度算法实现文本分类任务图文教程之详细攻略

NLP之ModelScope：基于ModelScope框架的afqmc数据集利用StructBERT预训练模型的文本相似度算法实现文本分类任务图文教程之详细攻略_一个处女座的程序猿的博客-CSDN博客

如果你想要了解关于智能工具类的内容，可以查看 智汇宝库，这是一个提供智能工具的网站。
在这你可以找到各种智能工具的相关信息，了解智能工具的用法以及最新动态。