Hugging Face Skills

HuggingFace yönlendiricisinden chat-ui yapılandırmasına yeni modeller için açıklamalar ekleyin. Yönlendiricide yeni modeller yayınlandığında ve açıklamalara ihtiyaç duyulduğunda kullanın…

Fixes broken typing checks detected by ty, make typing, or make check-repo. Use when typing errors appear in local runs, CI, or PR logs.

NVIDIA GPU'ları (H100, A100, T4) için optimize edilmiş CUDA çekirdekleri yazma ve kıyaslama konusunda rehberlik sağlar, HuggingFace diffusers ve transformers'ı hedef alır…

Python'da Gradio web arayüzleri ve demoları oluşturun. Gradio uygulamaları, bileşenleri, olay dinleyicileri, düzenler

Hugging Face Hub CLI (`hf`) for downloading, uploading, and managing models, datasets, spaces, buckets, repos, papers, jobs, and more on the Hugging Face Hub.…

Use Hugging Face Hub via MCP server tools. Search models, datasets, Spaces, papers. Get repo details, fetch documentation, run compute jobs, and use Gradio…

Önbelleğe alınmış PR JSON dosyalarından Hugging Face Hub (huggingface_hub) sürüm notları oluşturur. PR dosyalarından sürüm notları taslağı hazırlanması istendiğinde kullanın.

Execute Hugging Face Hub operations using the `hf` CLI. Use when the user needs to download models/datasets/spaces, upload files to Hub repositories, create repos, manage local cache, or run compute jobs on HF infrastructure. Covers authentication, file transfers, repository creation, cache operations, and cloud compute.

Hugging Face Hub'da veri kümeleri oluşturun ve yönetin. Depo başlatma, yapılandırma/sistem istemleri tanımlama, satır güncellemelerini akışla aktarma ve SQL tabanlı veri kümesi sorgulama/dönüştürme işlemlerini destekler. Kapsamlı veri kümesi iş akışları için HF MCP sunucusuyla birlikte çalışacak şekilde tasarlanmıştır.

Hugging Face model kartlarında değerlendirme sonuçları ekleyin ve yönetin. README içeriğinden değerlendirme tablolarını çıkarma, Artificial Analysis API'den puanları içe aktarma ve vLLM/lighteval ile özel model değerlendirmeleri çalıştırmayı destekler. Model-index meta veri formatıyla çalışır.

Hugging Face Jobs altyapısında herhangi bir iş yükünü çalıştırın. UV betikleri, Docker tabanlı işler, donanım seçimi, maliyet tahmini, token ile kimlik doğrulama, sır yönetimi, zaman aşımı yapılandırması ve sonuç kalıcılığını kapsar. Veri işleme, çıkarım, deneyler, toplu işler ve Python tabanlı görevler dahil genel amaçlı hesaplama iş yükleri için tasarlanmıştır.

TRL (Transformer Reinforcement Learning) kullanarak Hugging Face Jobs altyapısında dil modellerini eğitin veya ince ayar yapın. SFT, DPO, GRPO ve ödül modelleme eğitim yöntemlerini ve yerel dağıtım için GGUF dönüşümünü kapsar. Veri seti hazırlığı, donanım seçimi, maliyet tahmini ve model kalıcılığı konusunda rehberlik içerir.

Hugging Face Hub'da araştırma makaleleri yayınlayın ve yönetin. Makale sayfaları oluşturma, makaleleri modeller/veri kümeleriyle ilişkilendirme, yazarlık talep etme ve profesyonel markdown tabanlı araştırma makaleleri oluşturma desteği sunar.

Hugging Face API'sini kullanarak yeniden kullanılabilir betikler ve araçlar oluşturun. API çağrılarını zincirleme veya birleştirme ya da görevlerin tekrarlanacağı/otomatikleştirileceği durumlarda kullanışlıdır. Hugging Face Hub'dan veri almak, zenginleştirmek veya işlemek için yeniden kullanılabilir komut satırı betikleri oluşturur.

Trackio ile ML eğitim deneylerini takip edin ve görselleştirin. Eğitim sırasında metrikleri kaydederken (Python API) veya kaydedilmiş metrikleri alırken/analiz ederken (CLI) kullanın. Gerçek zamanlı gösterge paneli görselleştirmesi, HF Space senkronizasyonu ve otomasyon için JSON çıktısını destekler.

Bu beceriyi, alt küme/bölüm meta verilerini getiren, satırları sayfalayan, metin araması yapan, filtre uygulayan, parquet indiren… Hugging Face Dataset Viewer API iş akışları için kullanın.

Hugging Face Jobs bulut GPU'larında Hugging Face Transformers kullanarak nesne tespit modellerini (D-FINE, RT-DETR v2, DETR, YOLOS) eğitir ve ince ayar yapar. Şunları kapsar…

Look up and read Hugging Face paper pages in markdown, and use the papers API for structured metadata such as authors, linked models/datasets/spaces, Github…

Nesne tespiti (D-FINE, RT-DETR v2, DETR, YOLOS) ve görüntü sınıflandırması (timm modelleri — MobileNetV3, MobileViT, ResNet,…) için görüş modellerini eğitir ve ince ayar yapar.

Bir görev için en iyi modelleri, resmi HF benchmark liderlik tablolarını sorgulayarak bulur, sonuçları model boyutu verileriyle zenginleştirir, kullanıcının cihazına uyanları filtreler ve benchmark puanlarıyla bir karşılaştırma tablosu döndürür.

Hugging Face Hub modelleri için inspect-ai ve lighteval kullanarak yerel donanımda değerlendirmeler çalıştırın. Arka uç seçimi, yerel GPU değerlendirmeleri ve arasında seçim yapmak için kullanın…

Bu beceriyi, alt küme/bölüm meta verilerini getiren, satırları sayfalayan, metin araması yapan, filtreler uygulayan, parquet indiren… Hugging Face Dataset Viewer API iş akışları için kullanın.

Python ile Gradio web arayüzleri ve demoları oluşturun. Gradio uygulamaları, bileşenleri, olay dinleyicileri, düzenleri veya sohbet robotları oluştururken veya düzenlerken kullanın.

Bu beceri, kullanıcılar Hugging Face Jobs altyapısında herhangi bir iş yükü çalıştırmak istediğinde kullanılmalıdır. UV betikleri, Docker tabanlı işler, donanım seçimi ve daha fazlasını kapsar.

Train or fine-tune language and vision models using TRL (Transformer Reinforcement Learning) or Unsloth with Hugging Face Jobs infrastructure. Covers SFT, DPO,…

Use to select models to run locally with llama.cpp and GGUF on CPU, Mac Metal, CUDA, or ROCm. Covers finding GGUFs, quant selection, running servers, exact…

Hugging Face Hub'da araştırma makaleleri yayınlayın ve yönetin. Makale sayfaları oluşturma, makaleleri modellere/veri kümelerine bağlama, yazarlık talep etme ve oluşturma…

Look up and read Hugging Face paper pages in markdown, and use the papers API for structured metadata such as authors, linked models/datasets/spaces, Github…

Kullanıcı, Hugging Face API'sinden veri kullanmanın yardımcı olacağı bir araç/betik oluşturmak veya bir görevi tamamlamak istediğinde bu beceriyi kullanın. Bu özellikle şu durumlarda faydalıdır…

ML eğitim deneylerini Trackio ile takip edin ve görselleştirin. Eğitim sırasında metrikleri kaydederken (Python API), eğitim teşhisleri için uyarılar tetiklerken veya…

Nesne tespiti (D-FINE, RT-DETR v2, DETR, YOLOS) ve görüntü sınıflandırması (timm modelleri — MobileNetV3, MobileViT, ResNet,…) için görüş modellerini eğitir ve ince ayar yapar.

Start and test the prime-rl inference server. Use when asked to run inference, start vLLM, test a model, or launch the inference server.

Provides guidance for writing and benchmarking optimized Triton kernels for AMD GPUs (MI355X, R9700) on ROCm, targeting HuggingFace diffusers (LTX-Video, SD3,…

prime-rl'da TOML yapılandırmalarının nasıl yazılacağı ve kullanılacağı. Yapılandırma dosyaları oluştururken, yapılandırmalarla komut çalıştırırken veya CLI üzerinden yapılandırma değerlerini geçersiz kılarken kullanılır.

Train or fine-tune sentence-transformers models across `SentenceTransformer` (bi-encoder; dense or static embedding model; for retrieval, similarity,…

Transformers.js kullanarak son teknoloji makine öğrenimi modellerini doğrudan JavaScript/TypeScript içinde çalıştırın. Doğal dil işleme (metin sınıflandırma, çeviri,…) destekler.

TRL (Transformers Reinforcement Learning) kullanarak transformatör dil modellerini eğitin ve ince ayar yapın. SFT, DPO, GRPO, KTO, RLOO ve Ödül Modeli eğitimini destekler…