anaksor-ocr
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
AutoGluon 团队的预测评估基准,以 Streamlit 应用的形式放在 Docker Space 里。适合比较时间序列预测模型的人。
fev-bench 是一款工具包,属于研究类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。
pip install -U huggingface_hub hf download autogluon/fev-bench --repo-type space --local-dir fev-bench cd fev-bench
fev-bench 是 AutoGluon 团队的预测评估基准,托管为一个 Docker Space。它指定了 autogluon/fev_datasets 数据集,仓库里有一个排行榜应用文件、一个基准文件和一个页面文件夹。README 是 Streamlit 的默认欢迎文字,所以没有提到基准本身。
它适合在共享数据集上比较模型的预测研究者和机器学习工程师。想看看 Streamlit 排行榜是怎么搭建的开发者也适合用它。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 研究 | 预测研究者 | 在共同的基准上比较模型 | 打开应用,查看模型结果 |
| 软件 | 机器学习工程师 | 在选定之前评估预测库 | 阅读基准代码和数据集 |
| 教育 | 学生 | 了解预测评估是如何组织的 | 浏览排行榜页面 |
| 运营 | 分析团队 | 了解预测质量是如何比较的 | 查看基准用了哪些数据集 |
想在自己的数据上运行预测的人可以跳过它,因为这是一个评估资源。
这个应用可以在两个地方运行。
| Use case | Who | What they get back |
|---|---|---|
| 基准浏览 | 研究者 | 在 Streamlit 应用里展示的评估结果 |
| 数据集查找 | 工程师 | 这个 Space 指定的 fev_datasets 数据集合 |
| 代码学习 | 开发者 | 一个带排行榜应用、基准代码和 Dockerfile 的仓库 |
在线页面不需要安装任何东西。本地副本需要下面这些。
pip install -U huggingface_hub hf download autogluon/fev-bench --repo-type space --local-dir fev-bench cd fev-bench docker build -t fev-bench . docker run -it -p 8501:8501 fev-bench
打开页面并浏览。来源没有描述它的页面,所以你看到什么取决于这个应用。本地容器运行起来后,在 8501 端口打开 Streamlit 页面。
| 工具 | 作用 |
|---|---|
| fev-leaderboard-app.py | 仓库里的排行榜应用文件 |
| benchmarks.py | 仓库里的基准代码 |
| fev_pages 文件夹 | 存放应用的页面 |
| fev_datasets | 这个 Space 指定的数据集合 |
你打开这个 Space,翻看它的页面,看这个基准是如何给预测模型排名的。来源没有列出模型或分数,所以你要从页面本身读取。
如果你刚接触这类工具,基准就是一套固定的任务,能让不同模型被公平地比较。打开这个 Space,先看每个页面显示什么,再去读任何代码。
如果你熟悉这个领域,仓库里有一个排行榜应用、一个基准模块、保存表格的代码、一个 src 文件夹,以及用于 uv 的项目文件。它在 Docker 里以基础 CPU 硬件运行,端口是 8501。README 没有给出指标,请查看应用和数据集说明里使用的定义。
README 只是模板,所以基准本身的细节没有记录在那里。具体情况请读应用和数据集页面。
AutoGluon 团队的预测评估基准,以 Streamlit 应用的形式放在 Docker Space 里。适合比较时间序列预测模型的人。
由 autogluon 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。
它是什么:fev-bench 是 AutoGluon 团队的预测评估基准,托管为一个 Docker Space。它指定了 autogluon/fev_datasets 数据集,仓库里有一个排行榜应用文件、一个基准文件和一个页面文件夹。README 是 Streamlit 的默认欢迎文字,所以没有提到基准本身。
适合谁:它适合在共享数据集上比较模型的预测研究者和机器学习工程师。想看看 Streamlit 排行榜是怎么搭建的开发者也适合用它。
行业 | 谁在用 | 怎么用 | 例子
研究 | 预测研究者 | 在共同的基准上比较模型 | 打开应用,查看模型结果
软件 | 机器学习工程师 | 在选定之前评估预测库 | 阅读基准代码和数据集
教育 | 学生 | 了解预测评估是如何组织的 | 浏览排行榜页面
运营 | 分析团队 | 了解预测质量是如何比较的 | 查看基准用了哪些数据集
想在自己的数据上运行预测的人可以跳过它,因为这是一个评估资源。
用在哪里:这个应用可以在两个地方运行。
Use case | Who | What they get back
基准浏览 | 研究者 | 在 Streamlit 应用里展示的评估结果
数据集查找 | 工程师 | 这个 Space 指定的 fev_datasets 数据集合
代码学习 | 开发者 | 一个带排行榜应用、基准代码和 Dockerfile 的仓库
如何设置:在线页面不需要安装任何东西。本地副本需要下面这些。
pip install -U huggingface_hub
hf download autogluon/fev-bench --repo-type space --local-dir fev-bench
cd fev-bench
docker build -t fev-bench .
docker run -it -p 8501:8501 fev-bench
如何使用:打开页面并浏览。来源没有描述它的页面,所以你看到什么取决于这个应用。本地容器运行起来后,在 8501 端口打开 Streamlit 页面。
工具 | 作用
fev-leaderboard-app.py | 仓库里的排行榜应用文件
benchmarks.py | 仓库里的基准代码
fev_pages 文件夹 | 存放应用的页面
fev_datasets | 这个 Space 指定的数据集合
示例:你打开这个 Space,翻看它的页面,看这个基准是如何给预测模型排名的。来源没有列出模型或分数,所以你要从页面本身读取。
新手与专家:如果你刚接触这类工具,基准就是一套固定的任务,能让不同模型被公平地比较。打开这个 Space,先看每个页面显示什么,再去读任何代码。
如果你熟悉这个领域,仓库里有一个排行榜应用、一个基准模块、保存表格的代码、一个 src 文件夹,以及用于 uv 的项目文件。它在 Docker 里以基础 CPU 硬件运行,端口是 8501。README 没有给出指标,请查看应用和数据集说明里使用的定义。
来自 fev_datasets 的数据集
基准代码运行模型
保存表格
Streamlit 页面显示结果
注意事项:README 只是模板,所以基准本身的细节没有记录在那里。具体情况请读应用和数据集页面。
在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。
README.md 4 KB
同一分类里与本产品共有标签最多的已上架 Hugging Face Space。
| 产品 | 点赞 | 构建方式 | 许可证 | 最近更新 |
|---|---|---|---|---|
| fev-bench 本页 | 72 | docker | apache-2.0 | |
| ExpertLongBench共有 streamlit · docker | 4 | docker | cc-by-nc-4.0 | |
| AI Phone Leaderboard共有 streamlit | 127 | streamlit | mit | |
| Outsmart共有 streamlit | 62 | streamlit | mit | |
| HF BERTopic共有 streamlit | 24 | streamlit | mit | |
| HF SHAP共有 streamlit | 8 | streamlit | mit |
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
Qwen · 工具包
Qwen2.5-7B-Instruct 的 GGUF 文件,提供八种量化大小,可通过 llama.cpp 在本地聊天。适合想在自己电脑上用 7.6B 强力模型、又不想搭 Python 环境的人。
ACE-Step · 工具包
用 4B 扩散解码器根据文字生成音乐,50 步并带引导控制,音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。
AbdomenAtlas · 工具包
在 CT 扫描上检测并勾画 9 个器官的肿瘤,使用从放射学报告中学习的 R-Super 方法训练。这是面向医学影像团队的研究模型,采用非商业许可。
dBenf · 工具包
回答关于卫星图像块的类型化问题,使用 Sentinel-2 的全部 12 个波段,为每个选项返回概率,不生成文字。这是 Qwen3.5-0.8B 的微调版本,适合地球观测研究者。
zimmerk4 · 工具包
用一个在 JAX 物理模拟器里学会的小型策略网络,从头到尾通关游戏 Getting Over It。适合强化学习研究者和好奇的动手爱好者。