Gradio Spaces

Gradio 提供了一個簡單直觀的介面，用於從輸入列表執行模型並以影像、音訊、3D 物件等格式顯示輸出。Gradio 現在甚至擁有一個繪圖輸出元件，用於使用 Matplotlib、Bokeh 和 Plotly 建立資料視覺化！有關更多詳細資訊，請參閱 Gradio 團隊的入門指南。

在建立新 Space 時選擇 Gradio 作為 SDK 將透過在 README.md 檔案的 YAML 塊中將 sdk 屬性設定為 gradio 來使用最新版本的 Gradio 初始化您的 Space。如果您想更改 Gradio 版本，可以編輯 sdk_version 屬性。

訪問Gradio 文件以瞭解其所有功能，並檢視Gradio 指南以獲取一些方便的教程來幫助您入門！

你的第一個 Gradio Space：熱狗分類器

在以下部分中，您將學習建立 Space、配置 Space 以及將程式碼部署到 Space 的基礎知識。我們將使用 Gradio 建立一個熱狗分類器 Space，用於演示julien-c/hotdog-not-hotdog 模型，該模型可以檢測給定圖片中是否包含熱狗 🌭

您可以在NimaBoscarino/hotdog-gradio找到此專案的完整版本。

建立一個新的 Gradio Space

我們將從建立一個全新的 Space 開始，並選擇 Gradio 作為我們的 SDK。Hugging Face Spaces 是 Git 倉庫，這意味著您可以透過推送提交來逐步（協作地）處理您的 Space。請參閱儲存庫入門指南，瞭解如何在繼續之前建立和編輯檔案。

新增依賴項

對於熱狗分類器，我們將使用🤗 Transformers pipeline 來使用模型，因此我們需要首先安裝一些依賴項。這可以透過在我們的倉庫中建立 requirements.txt 檔案並向其中新增以下依賴項來完成

transformers
torch

Spaces 執行時將處理依賴項的安裝！

建立 Gradio 介面

要建立 Gradio 應用程式，請在倉庫中建立一個名為 app.py 的新檔案，並新增以下程式碼

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 指令碼使用 🤗 Transformers pipeline 載入 julien-c/hotdog-not-hotdog 模型，該模型由 Gradio 介面使用。Gradio 應用程式會期望您上傳一張圖片，然後將其分類為熱狗或不是熱狗。將程式碼儲存到 app.py 檔案後，訪問應用選項卡即可檢視您的應用程式！

在其他網頁中嵌入 Gradio Spaces

您可以透過使用 Web Components 或 HTML <iframe> 標籤在其他網頁中嵌入 Gradio Space。有關更多詳細資訊，請檢視我們的文件或Gradio 文件。