Clone with HTTP

http://www.modelscope.cn/keydekey/keys_models.git

tasks:

image-classification widgets:
- task: image-segmentation inputs:
  - type: image examples:
  - name: 1 title: 示例1 inputs:
    - data: git://description/demo.jpg
  - name: 2 title: 示例2 inputs:
    - data: git://description/demo2.jpg
  - name: 3 title: 示例3 inputs:
    - data: git://description/demo3.jpg inferencespec: cpu: 4 memory: 8000 gpu: 0 gpu_memory: 16000 model-type:
cascade-mask-rcnn-swin model-type:
roberta domain:
multi-modal frameworks:
pytorch
tensorflow backbone:
transformer containers:
registry-vpc.cn-shanghai.aliyuncs.com/cloud-dsw/pytorch:1.8-cpu-py36-ubuntu18.04
registry-vpc.cn-shanghai.aliyuncs.com/cloud-dsw/tensorflow:1.12-cpu-py36-ubuntu18.04 metrics:
accuracy
recall
precision customized-quickstart: False finetune-support: False license: Apache License 2.0 language:
en
fr
cn tags:
transformer
Alibaba
arxiv:1810.99999
customized-tag datasets: train:
bookcorpus
wikipedia test:
testset
bookcorpus evaluation:
mydataset1
mydataset2

the following are OPTIONAL entries that allows indexing

on various aspects of the model, such as performance metrics

indexing: results:

task: name: Image Classification dataset: name: mydataset1 type: images # optional args: default # optional metrics:
type: accuracy value: 0.8 # float description: true positive rate on data xxx args: default
type: recall value: 0.05 #float description: recall on data xxx args: default
task: name: Text Classification dataset: name: mydataset2 type: text # optional args: default # optional metrics:
type: precision value: 0.7 #float description: precision for classification on data xxx args: default

以上的YAML部分将会被ModelScope框架解析为模型的meta信息，来协助模型的管理。包括模型分类，模型版本，以及模型发现等等。

而下面的文本将以markdown格式解析，来作为模型页面的信息展示，帮助模型的使用者来理解模型以及正确使用模型。

<小可的模型>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。

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等等信息。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finetune功能的话，在本章节也应该提供如果准备finetune可能需要的数据集格式。

代码范例

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。

训练数据介绍

训练数据是如何获取，组织，以及针对模型的需求进行格式话的。

模型训练流程

描述模型是如何具体训练出来的。

预处理

训练

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。

keys_models

Model card