Bonsai-27B-GGUF
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
在 Gradio 页面里用已保存的 CNN 模型给蘑菇图片分类,附带抓取、训练和网页应用的笔记本。这是学习项目,不是安全工具。
Mushroom_edibility_classifier 是一款工具包,属于教育类,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 inigosarralde/mushroom_edibility_classifier --repo-type space --local-dir mushroom_edibility_classifier cd mushroom_edibility_classifier
这个 Gradio 应用,从名字看,是按能否食用给蘑菇图片分类。仓库里有已保存的模型文件 model.h5,以及三个编号的笔记本,名字分别指向网页抓取、CNN 模型和网页应用。另外还有一个图片压缩包和一个界面文件夹。
它适合想看一个图像分类项目如何从收集数据走到网页的学生和开发者。它是学习示例,不能用来判断野生蘑菇能不能安全食用。
| 行业 | 使用者 | 使用方式 | 例子 |
|---|---|---|---|
| 教育 | 机器学习的学生 | 跟着项目从抓取走到模型再到应用 | 按顺序读三个笔记本 |
| 软件 | Python 开发者 | 研究如何用 Gradio 提供已保存的模型 | 把 app.py 和 model.h5 对照着打开 |
| 研究 | 业余数据科学爱好者 | 在自然主题上试一个图像分类器 | 把一张示例图片交给应用 |
如果你想要挑选或食用蘑菇的建议,可以跳过它,因为记录没有给出准确率数据,也没有任何安全方面的说法。
| 用例 | 适合谁 | 得到什么 |
|---|---|---|
| 试用分类器 | 好奇的人 | 模型给一张图片的标签 |
| 研究笔记本 | 学生 | 按顺序了解抓取、CNN 和网页应用的步骤 |
| 作为基础复用 | 开发者 | 一个提供已保存模型的 Gradio 应用 |
pip install -U huggingface_hub hf download inigosarralde/mushroom_edibility_classifier --repo-type space --local-dir mushroom_edibility_classifier cd mushroom_edibility_classifier pip install gradio pip install -r requirements.txt python app.py
在线使用时,打开 Space,用页面上的控件操作。在自己的电脑上,则在 Space 文件夹里运行主文件,再使用它提供的页面。记录没有列出这些控件,请看页面。
python app.py
你打开 Space,给它一张蘑菇图片。应用会返回模型给出的标签。请把这个标签只当作演示输出,因为记录没有给出准确率数据。
图像分类器会查看图片,并选出最匹配的标签。先打开 Space,再读那三个笔记本,看看这个项目是怎么做出来的。
如果你熟悉这个领域,从笔记本看,项目用了抓取来的图片集、保存为 .h5 文件的卷积网络和 Gradio 前端。能否食用是后果严重的标签,而记录没有给出验证数据,所以这个模型不能支撑真实决定。
在 Gradio 页面里用已保存的 CNN 模型给蘑菇图片分类,附带抓取、训练和网页应用的笔记本。这是学习项目,不是安全工具。
由 inigosarralde 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:这个 Gradio 应用,从名字看,是按能否食用给蘑菇图片分类。仓库里有已保存的模型文件 model.h5,以及三个编号的笔记本,名字分别指向网页抓取、CNN 模型和网页应用。另外还有一个图片压缩包和一个界面文件夹。
适合谁:它适合想看一个图像分类项目如何从收集数据走到网页的学生和开发者。它是学习示例,不能用来判断野生蘑菇能不能安全食用。
行业 | 使用者 | 使用方式 | 例子
教育 | 机器学习的学生 | 跟着项目从抓取走到模型再到应用 | 按顺序读三个笔记本
软件 | Python 开发者 | 研究如何用 Gradio 提供已保存的模型 | 把 app.py 和 model.h5 对照着打开
研究 | 业余数据科学爱好者 | 在自然主题上试一个图像分类器 | 把一张示例图片交给应用
如果你想要挑选或食用蘑菇的建议,可以跳过它,因为记录没有给出准确率数据,也没有任何安全方面的说法。
用在哪里:
用例 | 适合谁 | 得到什么
试用分类器 | 好奇的人 | 模型给一张图片的标签
研究笔记本 | 学生 | 按顺序了解抓取、CNN 和网页应用的步骤
作为基础复用 | 开发者 | 一个提供已保存模型的 Gradio 应用
如何设置:
pip install -U huggingface_hub
hf download inigosarralde/mushroom_edibility_classifier --repo-type space --local-dir mushroom_edibility_classifier
cd mushroom_edibility_classifier
pip install gradio
pip install -r requirements.txt
python app.py
如何使用:在线使用时,打开 Space,用页面上的控件操作。在自己的电脑上,则在 Space 文件夹里运行主文件,再使用它提供的页面。记录没有列出这些控件,请看页面。
python app.py
示例:你打开 Space,给它一张蘑菇图片。应用会返回模型给出的标签。请把这个标签只当作演示输出,因为记录没有给出准确率数据。
新手与专家:图像分类器会查看图片,并选出最匹配的标签。先打开 Space,再读那三个笔记本,看看这个项目是怎么做出来的。
如果你熟悉这个领域,从笔记本看,项目用了抓取来的图片集、保存为 .h5 文件的卷积网络和 Gradio 前端。能否食用是后果严重的标签,而记录没有给出验证数据,所以这个模型不能支撑真实决定。
从网上收集图片
训练 CNN 并保存为 model.h5
app.py 加载已保存的模型
Gradio 页面给你的图片分类
注意事项:
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 |
|---|---|---|---|---|
| Mushroom_edibility_classifier 本页 | 1 | gradio | afl-3.0 | |
| Unit 1 Quiz - AI Agent Fundementals共有 gradio | 360 | gradio | apache-2.0 | |
| Unit 2.1 smolagents Code Quiz共有 gradio | 63 | gradio | apache-2.0 | |
| Unit 1 Quiz - Model Context Protocol (MCP) Fundementals共有 gradio | 58 | gradio | apache-2.0 | |
| Tamazight Text-to-Speech共有 gradio | 41 | gradio | cc-by-4.0 | |
| Embedding Draw Challenge共有 gradio | 30 | gradio | apache-2.0 |
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
LibertAIDAI · 工具包
以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017,这是一份 196 GiB 的副本,适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。
facebook · 工具包
根据文字描述或音频提示生成短音乐片段,是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。
prathoshap · 工具包
用一个训练好的声音,以吟诵风格朗读古典梵语诗节,由参考音频决定节奏。适合学习、背诵或需要梵语音频的人。
paradigma-inc · 工具包
用一个从头训练的 1B 参数模型解决难度很高的数学题,追求高速、大批量的推理。适合在 NVIDIA GPU 上运行数学任务的开发者。
murai-labs · 工具包
能用泰米尔文、罗马化泰米尔语和英语聊天,也能在泰米尔语和英语之间翻译。这是 Murai Labs 从零训练的 2.5B 模型,适合泰米尔语使用者、研究人员和开发者。