Repolode
Enviar
ludwig-ai

ludwig-ai/ludwig

Framework declarativo de deep learning para entrenar, ajustar y desplegar LLM, modelos multimodales y tabulares a partir de configuraciones YAML.

Ver en GitHubSitio web
Estrellas
11,793
Forks
1,213
Issues abiertos
3
Último commit
hace 4 días

¿Qué es?

Ludwig permite crear modelos de IA escribiendo una configuración YAML declarativa, en lugar de implementar un bucle de entrenamiento, una canalización de datos y código de evaluación personalizados. Se enumeran las características de entrada y salida con sus tipos (texto, imagen, número, audio, series temporales y más), y el framework ensambla los codificadores, combinadores y decodificadores, y luego ejecuta el entrenamiento, la evaluación y las predicciones desde la línea de comandos.

Para los modelos de lenguaje, Ludwig ofrece ajuste fino supervisado, alineamiento con DPO, KTO, ORPO y GRPO, adaptadores LoRA, DoRA y otros PEFT, cuantización QLoRA de 4 bits y torchao, además de ajuste fino de modelos de visión y lenguaje. Los modelos tabulares y multimodales pueden usar cualquier codificador de texto de HuggingFace o codificador de imágenes de timm, con búsqueda de hiperparámetros mediante Ray Tune u Optuna.

Los modelos entrenados se pueden servir mediante un endpoint REST de FastAPI, vLLM, Ray Serve o KServe; exportar como SafeTensors, ONNX o paquetes torch.export; o publicar en HuggingFace Hub. El proyecto está basado en PyTorch, Transformers y Ray, y puede ejecutarse desde una laptop hasta clústeres Ray o con varias GPU, con solo cambiar la configuración del backend.

Funciones clave

  • 01Definir modelos y ejecuciones de entrenamiento completamente en YAML, sin implementar un bucle de entrenamiento personalizado.
  • 02Ajustar LLM con SFT, DPO, KTO, ORPO y GRPO, incluidos LoRA y QLoRA.
  • 03Combinar entradas de texto, imagen, datos numéricos, audio y series temporales en un solo modelo.
  • 04Buscar hiperparámetros con Ray Tune u Optuna.
  • 05Servir modelos mediante REST, vLLM, Ray Serve o KServe, y exportarlos a ONNX o SafeTensors.

Casos de uso

  • Ajustar un LLM de pesos abiertos con datos de instrucciones usando LoRA y memoria de GPU limitada.
  • Crear un clasificador o regresor tabular sin escribir código de entrenamiento.
  • Entrenar un modelo que combine imágenes de productos, texto de reseñas y campos numéricos.
  • Pronosticar series temporales con codificadores PatchTST o N-BEATS.

Inicio rápido

  1. 1

    Instala Ludwig desde PyPI (Python 3.12 o posterior).

    pip install ludwig
  2. 2

    Escribe una configuración YAML que describa las características de entrada y salida de tu modelo.

  3. 3

    Entrena el modelo con tu conjunto de datos.

    ludwig train --config model.yaml --dataset my_data.csv
  4. 4

    Ejecuta predicciones con el modelo entrenado.

    ludwig predict --model_path results/experiment_run/model --dataset new_data.csv

Antes de usarlo

  • Requiere Python 3.12 o posterior.
  • El ajuste fino de LLM grandes requiere muchos recursos de GPU y puede necesitar un token de Hugging Face para modelos con acceso restringido.

En colecciones

Bibliotecas y herramientas de visión artificial

Temas

#deep-learning#llm#fine-tuning#pytorch#machine-learning#multimodal#declarative-config#model-serving#computer-vision#data-centric

Preguntas frecuentes

¿Qué es ludwig?
Framework declarativo de deep learning para entrenar, ajustar y desplegar LLM, modelos multimodales y tabulares a partir de configuraciones YAML. Ludwig permite crear modelos de IA escribiendo una configuración YAML declarativa, en lugar de implementar un bucle de entrenamiento, una canalización de datos y código de evaluación personalizados. Se enumeran las características de entrada y salida con sus tipos (texto, imagen, número, audio, series temporales y más), y el framework ensambla los codificadores, combinadores y decodificadores, y luego ejecuta el entrenamiento, la evaluación y las predicciones desde la línea de comandos.
¿ludwig es gratuito? ¿Qué licencia tiene?
ludwig es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿ludwig sigue mantenido?
Mantenimiento activo. El último commit de ludwig fue el 2 nov 2026.
¿Para qué puedo usar ludwig?
Ajustar un LLM de pesos abiertos con datos de instrucciones usando LoRA y memoria de GPU limitada. Crear un clasificador o regresor tabular sin escribir código de entrenamiento. Entrenar un modelo que combine imágenes de productos, texto de reseñas y campos numéricos. Pronosticar series temporales con codificadores PatchTST o N-BEATS.
¿Cómo se instala ludwig?
Instala Ludwig desde PyPI (Python 3.12 o posterior).: pip install ludwig Escribe una configuración YAML que describa las características de entrada y salida de tu modelo. Entrena el modelo con tu conjunto de datos.: ludwig train --config model.yaml --dataset my_data.csv Ejecuta predicciones con el modelo entrenado.: ludwig predict --model_path results/experiment_run/model --dataset new_data.csv
¿Dónde consigo ludwig?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/ludwig-ai/ludwig

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados