Construyendo un panel interactivo de ML en Panel

Construyendo panel interactivo de ML en Panel

Por Andrew Huang, Sophia Yang, Philipp Rudiger

HoloViz Panel es una versátil biblioteca de Python que permite a los desarrolladores y científicos de datos crear visualizaciones interactivas con facilidad. Ya sea que esté trabajando en proyectos de aprendizaje automático, desarrollando aplicaciones web o diseñando paneles de datos, Panel proporciona un conjunto poderoso de herramientas y características para mejorar sus capacidades de exploración y presentación de datos. En esta publicación del blog, profundizaremos en las emocionantes características de HoloViz Panel, exploraremos cómo puede revolucionar sus flujos de trabajo de visualización de datos y demostraremos cómo puede crear una aplicación como esta con aproximadamente 100 líneas de código.

Pruebe la aplicación y consulte el código:

• Hugging Face Space
• Aplicación en Anaconda
• Aplicación en Hugging Face
• Código en el cuaderno de Anaconda
• Código en Hugging Face

Aprovechando el poder de ML/AI

ML/AI se ha convertido en una parte integral del análisis de datos y los procesos de toma de decisiones. Con Panel, puede integrar sin problemas modelos y resultados de ML en sus visualizaciones. En esta publicación del blog, exploraremos cómo realizar una tarea de clasificación de imágenes utilizando el modelo OpenAI CLIP.

• Cómo construí una canalización de datos en cascada basada en AWS
• 4-bit Cuantización con GPTQ
• Formas fascinantes en las que la IA está ayudando a las personas a dominar el alemán y otros idiomas

CLIP está preentrenado en un gran conjunto de datos de pares de imágenes y texto, lo que le permite entender imágenes y descripciones de texto correspondientes y trabajar para varias tareas posteriores, como la clasificación de imágenes.

Hay dos funciones relacionadas con ML que utilizamos para realizar la tarea de clasificación de imágenes. La primera función load_processor_model nos permite cargar un modelo CLIP preentrenado de Hugging Face. La segunda función get_similarity_score calcula el grado de similitud entre la imagen y una lista proporcionada de etiquetas de clase.

@pn.cachedef load_processor_model(    processor_name: str, model_name: str) -> Tuple[CLIPProcessor, CLIPModel]:    processor = CLIPProcessor.from_pretrained(processor_name)    model = CLIPModel.from_pretrained(model_name)    return processor, modeldef get_similarity_scores(class_items: List[str], image: Image) -> List[float]:    processor, model = load_processor_model(        "openai/clip-vit-base-patch32", "openai/clip-vit-base-patch32"    )    inputs = processor(…

We will continue to update Zepes; if you have any questions or suggestions, please contact us!