ハグフェイススペースと Gradio を React アプリケーションと統合する

この記事では、機械学習モデルの作成とデプロイ、および React アプリケーションとの統合について簡単に説明します。
私たちが使用するテクノロジーの概要は次のとおりです

Hugging Face は、機械学習モデルをホストし、利用可能なモデルのいずれかでそれらを使用するためのスペースを作成できるプラットフォームです。

Gradio は、機械学習モデルと対話したりデモしたりするためのユーザー インターフェイスを構築できるプラットフォームです。

抱き合う顔にスペースを作る

ここで顔を抱きしめるスペースを作ることから始めましょう。スペースの名前を選択し、Spaces SDK で Gradio

他のオプションはデフォルトのままにして、スペースの作成に進むことができます。作成したスペースをマシンにクローンし、次の内容で app.py を作成します

import gradio as gr

def greet(name):
    return "Hello " + name + "!!"

demo = gr.Interface(fn=greet, inputs="text", outputs="text")
demo.launch()

これらが完了したら、変更をコミットしてスペースにプッシュします。ハグフェイスはこれを自動的に構築し、このようにアプリの gradio インターフェースを表示します

これで、基本的なインターフェイスを備えた gradio アプリを構築し、ハグフェイス スペースでホストしました。次のセクションでアプリの機能の拡張を見てみましょう。

注: ハグフェイススペースに変更をプッシュするには、ここで書き込みトークンを作成する必要があります

ビジョン分類子モデルの作成

fast.ai を使用して、指定された画像が猫かどうかを予測する簡単な分類を作成します。

まず、トレーニング画像データセットのパスを取得しましょう。 fast.ai はすでに多くのデータセットを提供しているので、その中から 1 つを使用します。モデルをトレーニングしてエクスポートする手順は次のとおりです

# Read the dataset from fastai
 path = untar_data(URLs.PETS)/'images'
 dls = ImageDataLoaders.from_name_func(
        path,get_image_files(path), valid_pct=0.2, seed=42,
        label_func=is_cat, item_tfms=Resize(224))

# Train the model with vision_learner
 learn = vision_learner(dls, resnet34, metrics=error_rate)
 learn.fine_tune(1)

# Export the model
 learn.path = Path('.')
 learn.export(
 'cats_classifier.pkl')

これを実行すると、同じディレクトリにモデル ファイルが生成されるはずです。これを予測に使用できます。

model = load_learner('cats_classifier.pkl')

def predict(image):
     img = PILImage.create(image)
     _,_,probs = model.predict(img)
     return {'Not a Cat':float("{:.2f}".format(probs[0].item())), 
            'Cat':float("{:.2f}".format(probs[1].item()))}

次に、上記の予測メソッドを使用して gradio を起動します

demo = gr.Interface(fn=predict, inputs=gr.Image(), outputs='label')
demo.launch()

アクションの変更を確認するには、変更をハグフェイスにプッシュします。

注: 生成されたモデルのサイズが大きくなるため、変更を追跡するには Git LFS を使用する必要があります

その後、任意の画像をアップロードして、それが猫かどうかを確認できるはずです

React アプリケーションとの統合

gradio を使用する利点の 1 つは、モデルにアクセスするための API が提供されることです。 React と統合する方法を検討します。

ハグフェイスでデプロイされたモデルを一番下までスクロールすると、「API 経由で使用」というボタンが表示され、API に接続するための詳細が表示されます。 @gradio/client パッケージを使用して API に接続します。モデルに接続して結果を取得するサンプルコードは次のとおりです

import { Client } from "@gradio/client";

const response_0 = await fetch("https://raw.githubusercontent.com/gradio-app/gradio/main/test/test_files/bus.png");
const exampleImage = await response_0.blob();

const client = await Client.connect("ganesh1410/basic-classifier");
const result = await client.predict("/predict", { 
                image: exampleImage, 
});

// This should have the label and confidences
console.log(result.data);

ここでモデルの動作を確認できます

ここにすべてのコードとデモへのリンクがあります

• Gradio で顔を抱きしめるデモ
• Gradio を使用したハグ顔モデルに使用されるコード
• トレーニング済みモデルを使用した React アプリのデモとコード

以上がハグフェイススペースと Gradio を React アプリケーションと統合するの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。