Toolkit Python para dividir textos em frases ou outras unidades semânticas, com modelos SaT e WtP pré-treinados que abrangem 85 idiomas.
flairNLP/flair
Framework de NLP em Python baseado em PyTorch para reconhecimento de entidades nomeadas, análise de sentimentos, etiquetagem PoS e embeddings de texto.
- Estrelas
- 14,397
- Forks
- 2,095
- Issues abertas
- 34
- Último commit
- há 19 dias
O que é?
Flair é uma biblioteca Python e um framework baseado em PyTorch para processamento de linguagem natural. Ele oferece modelos pré-treinados para tarefas como reconhecimento de entidades nomeadas (NER), análise de sentimentos e etiquetagem de classes gramaticais, além de suporte especializado para textos biomédicos.
Além de etiquetadores prontos para uso, Flair oferece uma interface unificada para embeddings de palavras e documentos, incluindo os próprios Flair embeddings e diversos modelos baseados em transformers que podem ser combinados. Muitos de seus modelos de etiquetagem de sequências também estão hospedados no hub de modelos do Hugging Face.
Como é construído diretamente sobre PyTorch, desenvolvedores podem treinar seus próprios modelos de rotulagem de sequências e classificação de texto com as classes do Flair e experimentar novas abordagens. O projeto requer Python 3.9 ou posterior e pode ser instalado com pip.
Recursos principais
- 01Modelos pré-treinados para NER, análise de sentimentos e etiquetagem de classes gramaticais.
- 02Embeddings de palavras e documentos, incluindo Flair embeddings e modelos de transformers, que podem ser combinados.
- 03Suporte especializado para textos biomédicos.
- 04Modelos hospedados no hub de modelos do Hugging Face.
- 05Treinamento de modelos personalizados com base em PyTorch.
Casos de uso
- Extrair pessoas, lugares e organizações de notícias ou documentos.
- Executar análise de sentimentos em avaliações de clientes ou textos de redes sociais.
- Criar e treinar um modelo personalizado de rotulagem de sequências para um domínio específico.
- Gerar embeddings de palavras ou documentos para tarefas posteriores de NLP.
Início rápido
- 1
Instale o Flair com pip em um ambiente virtual (requer Python 3.9 ou superior).
pip install flair - 2
Execute em Python o exemplo de NER do README.
Antes de usar
- Os metadados do repositório não deixam clara a licença, embora o README indique MIT.
Em coleções
Tópicos
Perguntas frequentes
- O que é flair?
- Framework de NLP em Python baseado em PyTorch para reconhecimento de entidades nomeadas, análise de sentimentos, etiquetagem PoS e embeddings de texto. Flair é uma biblioteca Python e um framework baseado em PyTorch para processamento de linguagem natural. Ele oferece modelos pré-treinados para tarefas como reconhecimento de entidades nomeadas (NER), análise de sentimentos e etiquetagem de classes gramaticais, além de suporte especializado para textos biomédicos.
- flair é gratuito? Qual é a licença?
- flair é open source sob a licença Other. Confira os termos da licença antes de usá-lo em produtos comerciais.
- flair ainda é mantido?
- Manutenção ativa. O último commit de flair foi em 19 de out. de 2026.
- Para que posso usar flair?
- Extrair pessoas, lugares e organizações de notícias ou documentos. Executar análise de sentimentos em avaliações de clientes ou textos de redes sociais. Criar e treinar um modelo personalizado de rotulagem de sequências para um domínio específico. Gerar embeddings de palavras ou documentos para tarefas posteriores de NLP.
- Como instalar flair?
- Instale o Flair com pip em um ambiente virtual (requer Python 3.9 ou superior).: pip install flair Execute em Python o exemplo de NER do README.
- Onde consigo flair?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/flairNLP/flair
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Modelos de linguagem grandes open source ajustados para tarefas financeiras, como análise de sentimento, previsão e benchmarks de NLP financeiro.
Biblioteca de NLP robusta para Python e Cython, com tokenização, pipelines pré-treinados e modelos treinados para etiquetagem, análise sintática e reconhecimento de entidades.
Biblioteca Python do Stanford NLP Group para tokenização, segmentação de frases, NER e análise de dependências em mais de 60 idiomas.
Ferramenta sem código da Hugging Face para treinar e ajustar modelos de ML (LLMs, texto, imagens e tokens) pela interface web, CLI ou configurações YAML.
CLI oficial (hf) e cliente Python para baixar, enviar e gerenciar repositórios no Hugging Face Hub.