juancmamacias commited on
Commit
ff52ac7
·
verified ·
1 Parent(s): 79599cf

Upload README.md

Browse files
Files changed (1) hide show
  1. README.md +87 -20
README.md CHANGED
@@ -1,20 +1,87 @@
1
- ---
2
- title: EjemploSLM
3
- emoji: 🚀
4
- colorFrom: red
5
- colorTo: red
6
- sdk: docker
7
- app_port: 8501
8
- tags:
9
- - streamlit
10
- pinned: false
11
- short_description: Detección sentimiento con SLM (DistilBERT, FLAN-T5)
12
- license: mit
13
- ---
14
-
15
- # Welcome to Streamlit!
16
-
17
- Edit `/src/streamlit_app.py` to customize this app to your heart's desire. :heart:
18
-
19
- If you have any questions, checkout our [documentation](https://docs.streamlit.io) and [community
20
- forums](https://discuss.streamlit.io).
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
+
2
+ # Detección sentimiento con SLM (DistilBERT, FLAN-T5)
3
+
4
+ Este proyecto muestra cómo entrenar, probar y desplegar modelos de lenguaje pequeños (SLM) para análisis de sentimiento y respuesta a preguntas usando Hugging Face Transformers, PyTorch y Streamlit. Incluye una app interactiva lista para Hugging Face Spaces.
5
+
6
+
7
+ ## Requisitos
8
+
9
+ - Python 3.8 o superior
10
+ - Acceso a internet para descargar modelos preentrenados
11
+ - Para la app web: Streamlit
12
+
13
+
14
+ ## Instalación de dependencias
15
+
16
+ Instala todas las dependencias necesarias ejecutando:
17
+
18
+ ```bash
19
+ pip install -r requirements.txt
20
+ ```
21
+
22
+ El archivo `requirements.txt` incluye:
23
+ - transformers[torch]
24
+ - torch
25
+ - streamlit
26
+ - datasets, evaluate, scikit-learn, accelerate
27
+
28
+
29
+ ## Ejecución paso a paso (entrenamiento y prueba local)
30
+
31
+ 1. **Clona o descarga este repositorio y entra en la carpeta del proyecto.**
32
+ 2. **(Opcional) Crea y activa un entorno virtual:**
33
+ - **Windows:**
34
+ ```powershell
35
+ python -m venv .venv
36
+ .venv\Scripts\activate
37
+ ```
38
+ - **Linux/Mac:**
39
+ ```bash
40
+ python3 -m venv .venv
41
+ source .venv/bin/activate
42
+ ```
43
+ 3. **Instala las dependencias:**
44
+ ```bash
45
+ pip install -r requirements.txt
46
+ ```
47
+ 4. **Entrena y prueba el modelo:**
48
+ ```bash
49
+ python train_sentiment_model.py
50
+ ```
51
+ 5. **Ejecuta la app Streamlit localmente:**
52
+ ```bash
53
+ streamlit run app.py
54
+ ```
55
+
56
+
57
+ ## Despliegue en Hugging Face Spaces
58
+
59
+ Puedes desplegar la app web en Hugging Face Spaces siguiendo estos pasos:
60
+
61
+ 1. Sube los archivos `app.py` y `requirements.txt` a tu nuevo Space (tipo Streamlit) en Hugging Face.
62
+ 2. (Opcional) Añade este `README.md` para documentar tu Space.
63
+ 3. El Space detectará automáticamente `app.py` y lanzará la app.
64
+
65
+ **Nota:** Si tu modelo fine-tuned es privado, asegúrate de que el Space tenga acceso o hazlo público.
66
+
67
+ ### Ejecución local rápida
68
+
69
+ ```bash
70
+ streamlit run app.py
71
+ ```
72
+
73
+
74
+ ## Notas
75
+ - El script `train_sentiment_model.py` entrena y evalúa el modelo fine-tuned.
76
+ - El archivo `app.py` es la app web para Spaces y para ejecución local.
77
+ - Si tienes problemas con dependencias, asegúrate de tener la última versión de pip: `pip install --upgrade pip`.
78
+ - El entrenamiento es rápido porque el dataset es pequeño y el modelo es ligero.
79
+
80
+ ---
81
+
82
+
83
+ ---
84
+
85
+ **Autores:**
86
+ - Juan Domingo ([GitHub](https://github.com/jdomdev))
87
+ - Juan Carlos Macías ([GitHub](https://github.com/juancmacias))