ModelScope模型卡片

最新推荐文章于 2025-05-18 08:15:00 发布
最新推荐文章于 2025-05-18 08:15:00 发布
阅读量923 收藏 16
点赞数 12
文章标签： 策略模式
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2509_92058858/article/details/148007448
版权

本文介绍模型卡片（Model card）的定义、编辑规范、使用方式和管理说明。

模型卡片#

模型卡片是社区用户获取模型信息的关键来源，主要通过模型文件中的README.md文件维护。其主要由头部的 YAML元数据 和 Markdown正文 共两个部分组成，为社区用户快速了解、使用、共享模型提供了沟通协作的媒介。

一份完善的模型卡片可以包括但不限于以下内容：

  • 模型名称与模型描述。介绍该模型的基础信息、特点、架构等。

  • 期望模型使用方式以及适用范围。 介绍该模型适用的应用场景，便于用户理解。

  • 如何使用。 可以给出简单示例介绍用户如何使用该模型，包括所使用的框架、运行环境要求或者模型调优的数据格式等。若给出代码范例供效果更佳。

  • 训练数据。介绍使用了怎样的训练数据集或数据格式要求。

  • 训练流程。介绍如何训练，使用了怎样的预处理方法、训练参数等。

  • 数据评估及结果。介绍模型运行的效果和性能维度。

详细内容请参阅本文模型卡片正文部分。

为了社区用户更好地了解、使用、交流社区开源模型，我们强烈建议模型贡献用户参照撰写规范完善模型卡片。同时，我们也倡议全体社区用户积极参与共建社区开源模型，您可以通过模型页面的讨论版块向您关注模型的所有者提建议，或直接修改、补充、完善其模型卡片内容并提交拉取请求（Pull Request）。

模型卡片元数据#

模型卡片元数据由 README.md 文件头部的 YAML 小节维护，并使用 --- 将其与 Markdown 正文分节区隔。元数据主要用于描述与模型相关的基础字段，包括但不限于：开源证书（License）、语言（language）、任务类型（tasks）、框架（frameworks）、基础模型（base_model）、新版本（new_version）、模型指标（metrics）、关联数据集（datasets）及自定义标签（tags）等。

在魔搭社区，元数据将被用于提升模型的发现效率及模型使用的易用性。如展示模型的开源证书、在搜索页面中筛选模型、在模型详情页展示关联的数据集、在模型详情页展示微调训练的血缘系谱等。

添加卡片元数据#

社区提供两种不同的方式维护卡片元数据：

  • 使用元数据配置界面

  • 直接在 README.md 文件中编辑 YAML 头

使用配置界面快速添加#

您可以前往“模型文件-README.md文件-编辑”进入编辑状态，并使用我们提供的配置界面很方便快速地添加重要元数据。如须添加其他元数据，可直接在文件中的 YAML 头中添加、编辑。

image.png

在文件中编辑 YAML 头#

您也可以直接使用 README.md 文件的 YAML 头编辑元数据。如果原始文件中没有 YAML 头，您可以添加两行成对的---将元数据部分包括在其中完成 YAML 头的编辑。

详细的元数据字段介绍及示例可参考以下示例：

---
license: Apache License 2.0 # 开源许可证类型，如Apache License 2.0、GPL-2.0、GPL-3.0、MIT等。
tasks:
  - image-classification # 对应模型pipeline的任务类型，用户也可以自定义任务类型。
frameworks: # 支持的深度学习框架，如"pytorch"、"tensorflow"等。
  - pytorch 
  - tensorflow
language: # 支持的语言类型
  - en
  - fr
  - cn
tags: #  用户可自定义标签，方便搜索和分类
  - transformer
  - Alibaba
  - customized-tag
datasets: 模型所关联的数据集
  - OmniData/Pile-BookCorpus2
# 或者也可以这样描述datasets
datasets:
  train:
    - owner_name/trainset1
    - owner_name/trainset2
  test:
    - owner_name/testset
  evaluation:
    - owner_name/mydataset
metrics: # 评估模型性能的指标
  - accuracy
  - recall
  - precision    
base_model: owner_name/model_name

# 以下对模型在不同任务下的评估指标及结果进行说明
indexing:
  results:
    - task:
        name: Image Classification # 任务名称
      dataset:
        name: mydataset1 # 数据集名称
        type: images # 数据集类型（可选）
        args: default # 其他参数（可选）
      metrics:
        - type: accuracy
          value: 0.8 # 在mydataset1上的准确率
          description: true positive rate on data xxx
          args: default
        - type: recall
          value: 0.05 # 在mydataset1上的召回率
          description: recall on data xxx
          args: default
    - task:
        name: Text Classification # 任务名称
      dataset:
        name: mydataset2 # 数据集名称
        type: text # 数据集类型（可选）
        args: default # 其他参数（可选）
      metrics:
        - type: precision
          value: 0.7 # 在mydataset2上的精确率
          description: precision for classification on data xxx
          args: default
domain:
  - multi-modal # 模型所属领域。包括"cv""nlp""audio""multi-modal"等，用户也可自定义。
---

其中，tasks字段支持填写的详细任务类型可参看任务类型列表。您可以根据需要在模型卡片中添加合适的元数据，或者您也可以自定义元数据字段名。

元数据的可视化展示#

在模型卡片中，以下元数据提示了模型及其相关模型、数据集的关联关系，有效填写后将激活模型卡片详情页的“模型系谱”、“版本更新提示”等功能，有利于阅读用户更全面、系统的认知当前模型及其关联模型、关联数据集，同时提升模型在社区内的发现效率。

字段名称中文描述字段示例值
base_model基础模型：模型 ID ，通过一定方法衍生出当前模型的基础模型。Qwen/Qwen2.5-7B-Instruct的基础模型为Qwen/Qwen2.5-7B，支持以列表格式传入多值。
base_model_relation血缘类型：枚举值，填入"adapter", "merge", "quantized", "finetune"之一。既可以在该字段中直接指定，也可以由平台自动判定。adapter
new_version当前同系列模型的新版本Qwen/Qwen2-72B-Instruct的新版本模型为Qwen/Qwen2.5-72B-Instruct
datasets相关数据集：数据集ID，当前模型训练、评估等使用过的数据集BAAI/Aquila-135M模型的相关数据集为BAAI/Infinity-Instruct

模型系谱#

对于微调模型、适配器模型、或者是基础模型的量化版本、由多个社区其他模型合并产生的新模型，您可以前往模型卡片元数据配置基础模型（base_model）。当您所配置的基础模型为有效的模型ID，模型卡片页面将会展示当前模型的模型系谱。

image.png

模型系谱由当前模型、基模型及当前模型与基模型的血缘关系逐级推导而来，您可以轻松的由模型系谱发现更多产生当前模型的基础模型，或由当前模型派生的新模型。

模型系谱中所展示的当前模型与基模型的血缘关系，可以由一定的规则自动推理而来，同时也可以直接由模型卡片元数据中的“血缘关系（base_model_relation）”显式指定，其值须为 "adapter", "merge", "quantized", "finetune"之一。

版本更新提示#

当同系列模型在 ModelScope 存在一个更新的版本时，您可以通过在元数据中指定new_version字段的值为对应模型ID来完成新版本关联。完成配置后，模型卡片页面将提示“此系列模型有新发布，点击前往最新模型”。

如Qwen/Qwen2-72B-Instruct存在一个新的版本Qwen/Qwen2.5-72B-Instruct，那么可以在Qwen/Qwen2-72B-Instruct的模型卡片元数据中配置：

new_version: Qwen/Qwen2.5-72B-Instruct

相关数据集#

当该模型使用到的数据集在 ModelScope 社区已经完成上传时，您可以在元数据中指定datasets字段为对应的数据集ID来完成关联。完成配置后，平台将自动关联该模型及数据集，并在模型卡片页面的“相关数据集”部分、数据集卡片页面的”相关模型“部分提供快捷的互跳链接。

模型卡片正文#

本小节提供推荐的模型卡片正文模板，您可以参考模板并根据需要灵活组织正文内容。

<!--- 以下model card模型说明部分，请使用中文提供（除了代码，bibtex等部分） --->

# <模型名字>介绍
介绍模型的基本信息。

## 模型描述

提供模型描述，包括模型结构，使用的训练数据集，以及适用场景等等内容；也可以链接模型的来源，包括代码仓库、论文或DEMO。

## 期望模型使用方式以及适用范围

介绍模型的目标使用场景。

### 如何使用

介绍模型如何使用，包括如何进行模型推理、模型微调等信息。在这里希望模型提供者能提供
详尽的范例以及代码片段来介绍模型的使用方法。对于需要配置负责运行环境的模型，
也可以在这里提供怎样配置模型运行环境的详细介绍。

如果模型支持微调，在本小节也请介绍微调需要准备的数据集格式及要求。

#### 代码范例
<!--- 请分别提供模型推理、模型微调的代码范例--->
```python
import cv2
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
from modelscope.pipelines.outputs import OutputKeys

img_matting = pipeline(Tasks.portrait_matting,model='damo/cv_unet_image-matting')
result = img_matting('test.png')
cv2.imwrite('result.png', result[OutputKeys.OUTPUT_IMG])
```

### 模型局限性以及可能的偏差
介绍模型适用的场景，以及在哪些场景可能存在局限性，以及模型在构造训练过程中，
本身可能带有的，由于训练数据以及训练方法等因素引入的偏向性。

## 模型训练
描述模型是如何具体训练出来的。

### 训练数据介绍
介绍训练数据是如何获取，组织，以及针对模型的需求进行格式化的。

### 预处理
介绍如何对训练数据进行预处理。

### 训练
介绍训练的硬件要求与环境、训练的超参数设置、训练的步骤与流程，并提供必要的训练代码块。

## 数据评估及结果
提供模型在不同数据集上的性能评测，包括评测数据是如何获得的。评测结果本身
可以通过表格，图像等多种方法做展示。


### 相关论文以及引用信息
如果本模型有相关论文发表，或者是基于某些论文的产出物，可以在这里提供Bibtex格式的参考文献。

模型卡片正文具体示例可以参阅：iic/cv_swin-b_image-instance-segmentation_coco 的 README.md 文件。

模型的在线体验服务#

除了模型卡片上的 Markdown 信息，模型卡片上还可以提供可视化的在线demo供用户快速测试模型效果。

image.png

您可以在编辑 README.md 文件时找到 “DEMO配置” 的入口，为您的模型选择社区已经支持的在线 DEMO 模板

QQ92058858
关注
使用 Xinference 部署本地模型
洛阳泰山的博客
04-24 7791
是一款开源模型推理平台，除了支持 LLM，它还可以部署 Embedding 和 ReRank 模型，这在企业级 RAG 构建中非常关键。同时，Xinference 还提供 Function Calling 等高级功能。还支持分布式部署，也就是说，随着未来应用调用量的增长，它可以进行水平扩展。
读光-票证检测矫正模型
爱CV
08-26 317
【读光商用矫正模型开源，快来体验吧】票证检测矫正模型在实际生活中有着广泛的需求，例如信息抽取、图像质量判断、证件扫描、票据审计等领等场景，可以大幅提高工作效率和准确性。本次读光团队支持任意角度、多卡证票据等混贴场景，同时检测输入图像任意角度的多个子图区域；基于海量真实数据训练，效果满足国内常见的卡证票据的检测矫正需求；支持子图区域复印件判断、四方向判断，准确率高达 99%；矫正效果、推理速度远高于 modelScope 同类模型，详见本文测试报告。字段名称说明polygons。
阿里云modelscope模型
Plutosjelly的博客
02-17 510
modelscope原型
ModelScope创空间卡片
candy981的博客
05-16 367
创空间卡片是ModelScope社区中用于展示创空间信息的重要文件，主要通过解析README.md文件中的YAML元数据生成。卡片内容推荐包含创空间名称、描述、领域、标签、关联模型、关联数据集及部署规格等信息，以便社区用户更好地了解和搜索创空间。有效的创空间卡片需包含YAML头部信息，涉及领域（如CV、NLP等）、许可证、支持语言、自定义标签、数据集和模型链接等字段。通过规范撰写创空间卡片，用户可以提升创空间的可见性和使用效率。
ModelScope的模型检索
最新发布
2509_92058858的博客
05-18 330
ModelScope平台提供了丰富的模型资源，用户可以通过任务类型筛选或关键词搜索来查找所需模型。平台持续更新，欢迎社区贡献。用户可查看模型详情，包括介绍、效果评估、关联数据集或引用论文等。部分模型支持在线demo体验，用户可查看输入输出结果。平台提供两种模型下载方式：通过ModelScopeLibrary安装或git拉取仓库，并推荐使用在线Notebook进行深度体验。用户可收藏感兴趣的模型，方便后续访问。
主打中文的 AI 模型开源社区魔搭 ModelScope 上线，会成为国内的主流社区吗？
这个时代，作为程序员可能要学习小程序
07-16 1510
点击上方关注 “终端研发部”设为“星标”，和你一起掌握更多数据库知识很显然，中文的AI模型已经在国内开始蔓延了从去年我就体验过，觉得还是挺有意思的。ModelScope是阿里达摩院于近一年刚上线的一款开源模型平台，里面提供了很多的热门模型供使用体验，而且与阿里云服务进行联动，让开发者免除了额外的部署成本，实现了模型推理与调优的极速体验。ModelScope-Agent 提出了一个通用的、可定制的 ...
魔搭+ 函数计算: 一键部署，缩短大模型选型到生产的距离
Serverless 社区
12-28 1105
面对魔搭 ModelScope 社区提供的海量模型，用户希望快速进行选型并生产使用起来，但在此之前，却一定会面临算力管理难、模型部署难等一系列问题，那么能否实现快速把选定的模型部署在云端功能强大的 GPU 上，由云端负责服务，扩展，保护和监控模型服务，同时免于运维和管理云上算力等基础设施呢？魔搭ModelScope +函数计算 FC 给了这样一种方案。
AI：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
热门推荐
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
10-20 1万+
ModelScope旨在打造下一代开源的模型即服务共享平台，汇集了行业领先的预训练模型，减少了开发者的重复研发成本。个人认为，相比于AI公司经常卖一款软件产品或者卖一个算法需求，而ModelScope更偏向于某种功能(model端到端)实现，初级AI从业者也能很容易实现大模型，有点低代码的感觉。当前ModelScope的功能，相比于CV、NLP的丰富内容，它在DS方面、可视化方面、解释性方面的就相对较少，同时，产品定位 To B和To C的功能域划分，也不算是很清晰，当然这也是该领域一个共同困扰。首次，当然
ModelScope魔搭社区，一站畅享AI模型即服务体验
AI360labs_atyun的博客
12-20 2193
于近一年刚上线的一款开源模型平台，里面提供了很多的热门模型供使用体验，而且与阿里云服务进行联动，让开发者免除了额外的部署成本，实现了模型推理与调优的极速体验。首先访问平台网址https://www.modelscope.cn/models， 您将看见平台上已有的所有公开模型，根据任务筛选或者关键词搜索可查找您感兴趣的模型。是一个致力于推动AI技术普及和创新的平台，通过提供丰富的模型资源、便捷的服务和开放的合作环境，助力开发者和研究人员更高效地构建和应用AI解决方案。按钮即可在Notebook中使用。
Xinference 大模型推理框架部署与应用
weixin_42684822的博客
07-30 2337
linux部署Xinference 大模型推理框架，及应用，涉及两种方式部署。。。
modelscope部署
01-13
导航至模型卡片页面，可以在魔搭 ModelScope 社区的模型库中搜索特定模型，比如 "baichuan2-7b-chat-4bits" 并点击进入其详情页。也可以直接通过给定 URL 访问此模型卡片。 #### 执行快速部署 在选定的目标模型...
深度学习模型快速开发平台推荐
qq_42190530的博客
10-22 1232
深度学习模型快速开发平台推荐
【行为型之策略模式】游戏开发实战——Unity灵活算法架构的核心实现策略
蜡笔小新的博客
05-14 954
封装每个算法，使它们可。
日志与策略模式
m0_73751295的博客
05-16 352
日志与策略模式
策略模式-枚举实现
s07aser123的专栏
05-15 273
枚举实现策略模式
[操作系统] 策略模式进行日志模块设计
kevin_blog
05-14 872
本文探讨了在C++中如何利用策略模式构建一个灵活且可扩展的日志系统。日志系统在IT开发中至关重要，用于问题定位、性能分析和安全审计。设计模式是解决通用问题的抽象方案，策略模式通过封装不同算法使其可互换使用。日志系统的基本构成包括时间戳、日志等级、日志内容和元数据。
OJ判题系统第6期之判题逻辑开发——设计思路、实现步骤、代码实现（策略模式）
m0_74016429的博客
05-13 897
判题逻辑是具体判断用户提交的代码是否正确的核心算法或规则集。它专注于解析沙箱返回的结果，并根据预定义的标准（如测试用例、时间限制、内存限制等）判断代码的正确性。这是一个低层次的模块，主要关注具体的判题细节。策略模式是一种行为型设计模式，它定义了一系列算法或策略，并将每一个算法封装起来，使它们可以互相替换，独立于使用它们的客户端。策略模式就像给系统装上了一个“可插拔的大脑”，你可以根据不同情况（比如语言类型）自动选择最合适的判题规则，而无需改动主流程代码。优势描述✅ 解耦将判题逻辑与业务流程分离。
【CTF-Misc领域】文件隐写、内存取证与数据修复技术应用：安全竞赛核心技能解析
05-17
内容概要：本文详细介绍了CTF-Misc题型的应用指南，涵盖文件隐写、内存取证、数据修复等方面的核心技术。文件操作与隐写部分，讲述了文件类型识别方法（如使用file命令、010 Editor等工具查看文件特征），以及文件分离与合并的方法（如Binwalk自动化工具、dd命令手动操作）。图片隐写技术方面，包括颜色通道分析（如使用Stegsolve）、帧差异对比、Exif信息读取等。内存取证则主要围绕Volatility框架展开，介绍其基础命令（如imageinfo、pslist）和特殊场景处理（如加密文档爆破）。此外，还提供了若干工具推荐，如十六进制编辑器、自动化分离工具、OCR识别库等，并分享了实战技巧，如逆向思维应用和隐蔽信息挖掘。 适合人群：对CTF比赛感兴趣的安全研究人员、网络安全爱好者及有一定计算机基础知识的学习者。 使用场景及目标：①掌握文件隐写与修复技术，能够识别和处理各种文件类型的隐写和损坏问题；②学会使用Volatility进行内存取证，提取关键信息；③提高对隐蔽信息的敏感度，培养解决复杂问题的能力。 阅读建议：本文内容丰富，涉及多个技术领域，建议读者先熟悉基本概念和常用工具的使用，再逐步深入理解各个技术细节，在实践中不断积累经验。
CSAPP程序人生大作业
05-17
CSAPP程序人生大作业
modelscope模型推理
01-14
### 使用 ModelScope 进行模型推理 为了完成基于 ModelScope 的模型推理，可以遵循如下方法来加载预训练模型并创建相应的推理管道。通过这些操作能够实现对不同模态数据的有效处理。 对于自然语言处理任务而言： ```python from modelscope.models import Model from modelscope.pipelines import pipeline # 加载预训练模型 model = Model.from_pretrained('modelscope/bert-base-uncased') # 对于特定的任务可以选择不同的预训练模型[^2] # 创建推理管道 nlp_pipeline = pipeline('text-classification', model=model) # 此处假设执行的是文本分类任务，其他任务类型可替换此参数 # 执行推理过程 result = nlp_pipeline('Hello, how are you?') print(result) ``` 上述代码展示了如何利用 `pipeline` 函数简化了从加载模型到实际应用之间的流程。值得注意的是，在实例化 `pipeline` 类时所传入的第一个参数决定了具体要解决哪类问题（比如这里选择了 `'text-classification'`），而第二个参数则指定了用于该任务的具体模型对象。 当涉及到视觉或音频领域的大规模模型时，同样可以通过调整相应配置项以及选用合适的预训练权重文件来进行相似的操作[^1]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值