NeMo-Curator

NeMo-Curator

提供GPU加速的大型语言模型数据集优化与管理解决方案

NeMo Curator 是一款专为大型语言模型(LLM)设计的开源Python库,通过结合Dask和RAPIDS等技术,实现GPU加速的数据集准备与管理。其功能包括数据下载、语言识别、文本清理、质量过滤、文档去重和个人信息保护等模块,为多种LLM任务提供快速、灵活和可扩展的解决方案,显著提升数据处理效率与模型质量。

NeMo CuratorGPU加速大语言模型数据集准备Python库Github开源项目

项目介绍:NeMo-Curator

NeMo-Curator 是一个由 NVIDIA 开发的开源 Python 库,旨在为各种生成式 AI 用例提供快速且可扩展的数据集准备和策划功能,如基础语言模型的预训练、文本到图像模型的训练、领域自适应预训练(DAPT)、监督微调(SFT)以及参数高效微调(PEFT)。该库通过集成 GPU 加速技术(如 Dask 和 RAPIDS)来显著加速数据策划的进程,从而节省大量时间。其模块化和可定制的接口,简化了流水线的扩展,并通过准备高质量的 tokens 加速模型收敛。

主要功能

NeMo-Curator 提供了一系列可扩展的数据策划模块,用于文本和图像的策划工作。

文本策划

NeMo-Curator 的文本流水线具有强大的多语言支持,主要功能包括:

  • 下载和提取:提供 Common Crawl、Wikipedia 和 ArXiv 数据源的默认实现,可以轻松定制并扩展到其他数据源。
  • 语言识别:识别并处理不同语言文本。
  • Unicode 格式化:确保文本格式的一致性和正确性。
  • 启发式过滤:通过启发式方法筛选低质量文本。
  • 分类过滤:使用 fastText 和 GPU 加速模型进行领域、质量和安全性分类。
  • GPU 加速去重:支持精确去重、模糊去重(通过 MinHash )、语义去重等多种去重方法。
  • 下游任务去污:防止测试集泄露,移除训练数据中可能影响评估的内容。
  • 个人身份信息(PII)编辑:识别并编辑个人敏感信息。

图像策划

在图像策划模块中,NeMo-Curator 提供:

  • 嵌入生成:为图像生成特征嵌入。
  • 分类过滤:包括美学和 NSFW 分类。
  • GPU 去重:进行语义上的去重。

这些模块具有灵活性,允许重新排序,能够自动扩展到多个节点以增加吞吐量。

资源和教程

为了帮助用户更好地使用 NeMo Curator,NVIDIA 提供了丰富的资源和教程,包括文档、示例代码、博客文章等,用户可以通过这些资源快速上手。

  • 文档:全面详实的用户指南,帮助用户理解和使用各种功能模块。
  • 示例:各种应用场景的代码示例,供用户参考和学习。
  • 教程:以不同主题为基础的详细教程,引导用户从零开始使用 NeMo Curator 进行数据策划工作。

如何开始使用 NeMo Curator

安装说明

在安装 NeMo Curator 之前,用户需确保满足以下要求:

  • Python 3.10
  • Ubuntu 22.04/20.04
  • (可选) NVIDIA GPU(Volta 或更高版本,支持 CUDA 12 及以上)

用户可以通过多种方式安装 NeMo Curator:

  1. 通过 PyPI 安装
  2. 从源代码安装
  3. 使用 NeMo 框架容器

此外,NeMo Curator 提供了一些附加安装选项,可以根据用户的工作负载需求安装相应的模块。

入门示例

为了帮助用户快速入门,NeMo-Curator 提供了许多快速的 Python API 使用示例,以及详细的教程,涵盖了包括分布式数据分类、图像策划等方面的内容。

贡献社区

NeMo Curator 欢迎社区参与贡献,感兴趣的开发者可以通过参考贡献指南来了解如何为项目做出贡献。

通过 NeMo-Curator,研究人员和开发者能够更加高效地进行数据集的策划与管理,从而加速 AI 模型的开发与应用。其强大的功能和灵活的接口,使得数据处理更为方便与快捷,成为许多生成 AI 应用场景中的重要一环。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多