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：
- 通过 PyPI 安装
- 从源代码安装
- 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
openai-agents-python
OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。
Hunyuan3D-2
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。
3FS
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。
TRELLIS
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目，它利用结构化 3D 潜在 表示技术，实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具，包括文本到 3D、图像到 3D 等，并且支持多种输出格式，如 3D 高斯、辐射场和网格等。通过 TRELLIS，用户可以根据文本描述或图像输入快速生成高质量的 3D 资产，适用于游戏开发、动画制作、虚拟现实等多个领域。
ai-agents-for-beginners
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目，提供 10 节课程，涵盖构建 AI 代理的必备知识，支持多种语言，包含规划设计、工具使用、多代理等丰富内容，助您快速入门 AI 代理领域。
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
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
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
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
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。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号