---
title: keys_models
canonical_url: "https://www.modelscope.cn/models/keydekey/keys_models"
md_url: "https://www.modelscope.cn/models/keydekey/keys_models.md"
repository: keydekey/keys_models
chinese_name: "小可的模型"
last_updated: 2022-11-24
license: "Apache License 2.0"
downloads: 2
stars: 0
---

# keys_models

> keys_models - keydekey 在 ModelScope 开源的模型。模型文件使用测试

keydekey/keys_models 是 ModelScope 魔搭社区上的机器学习模型，采用 Apache License 2.0 许可。

- **Repository**: keydekey/keys_models
- **License**: Apache License 2.0
- **Downloads**: 2
- **Stars**: 0
- **Last updated**: 2022-11-24

Source: https://www.modelscope.cn/models/keydekey/keys_models

---

#### Clone with HTTP
* http://www.modelscope.cn/keydekey/keys_models.git

---
tasks:
- image-classification
widgets:
  - task: image-segmentation
    inputs:
      - type: image
    examples:
      - name: 1
        title: 示例1
        inputs:
          - data: git://description/demo.jpg
      - name: 2
        title: 示例2
        inputs:
          - data: git://description/demo2.jpg
      - name: 3
        title: 示例3
        inputs:
          - data: git://description/demo3.jpg
    inferencespec:
      cpu: 4
      memory: 8000
      gpu: 0
      gpu_memory: 16000
model-type:
- cascade-mask-rcnn-swin
model-type:
- roberta
domain:
- multi-modal
frameworks:
- pytorch
- tensorflow
backbone:
- transformer
containers:
- registry-vpc.cn-shanghai.aliyuncs.com/cloud-dsw/pytorch:1.8-cpu-py36-ubuntu18.04
- registry-vpc.cn-shanghai.aliyuncs.com/cloud-dsw/tensorflow:1.12-cpu-py36-ubuntu18.04
metrics:
- accuracy
- recall
- precision
customized-quickstart: False
finetune-support: False
license: Apache License 2.0
language: 
- en
- fr
- cn
tags:
- transformer
- Alibaba
- arxiv:1810.99999
- customized-tag
datasets:
train:
- bookcorpus
- wikipedia
test:
- testset
- bookcorpus
evaluation:
- mydataset1
- mydataset2

# the following are OPTIONAL entries that allows indexing
# on various aspects of the model, such as performance metrics
indexing:
results:
- task:
name: Image Classification
dataset:
name: mydataset1
type: images 	# optional
args: default 	# optional
metrics:
- type: accuracy
value: 0.8  # float
description: true positive rate on data xxx
args: default     
- type: recall
value: 0.05  #float
description: recall on data xxx
args: default

- task:
name: Text Classification
dataset:
name: mydataset2
type: text 		# optional
args: default 	# optional
metrics:
- type: precision
value: 0.7  #float
description: precision for classification on data xxx
args: default 
---

以上的YAML部分将会被ModelScope框架解析为模型的meta信息，来协助模型的管理。
包括模型分类，模型版本，以及模型发现等等。

而下面的文本将以markdown格式解析，来作为模型页面的信息展示，帮助模型的使用者
来理解模型以及正确使用模型。

<!--- 以下model card模型说明部分，请使用中文提供（除了代码，bibtex等部分） --->

# <小可的模型>介绍
介绍模型的基本信息。

## 模型描述

提供模型描述，包括模型结构，使用的训练数据集，以及适用场景等等内容。

## 期望模型使用方式以及适用范围

介绍模型的目标使用场景。

### 如何使用

介绍模型如何使用，包括如何进行模型推理等等信息。在这里希望模型提供者能提供
详尽的范例以及代码片段来介绍模型的使用方法。对于需要配置负责运行环境的模型，
也可以在这里提供怎样配置模型运行环境的详细介绍。

如果模型支持finetune功能的话，在本章节也应该提供如果准备finetune可能需要的
数据集格式。

#### 代码范例
<!--- 本session里的python代码段，将被ModelScope模型页面解析为快速开始范例--->
```python
import cv2
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
from modelscope.pipelines.outputs import OutputKeys

img_matting = pipeline(Tasks.portrait_matting,model='damo/cv_unet_image-matting')
result = img_matting('test.png')
cv2.imwrite('result.png', result[OutputKeys.OUTPUT_IMG])
```

### 模型局限性以及可能的偏差
介绍模型适用的场景，以及在哪些场景可能存在局限性，以及模型在构造训练过程中，
本身可能带有的，由于训练数据以及训练方法等因素引入的偏向性。

## 训练数据介绍
训练数据是如何获取，组织，以及针对模型的需求进行格式话的。

## 模型训练流程
描述模型是如何具体训练出来的。

### 预处理

### 训练

## 数据评估及结果
提供模型在不同数据集上的性能评测，包括评测数据是如何获得的。评测结果本身
可以通过表格，图像等多种方法做展示。


### 相关论文以及引用信息
如果本模型有相关论文发表，或者是基于某些论文的结果，可以在这里
提供Bibtex格式的参考文献。