Repolode
Enviar
ludwig-ai

ludwig-ai/ludwig

Framework declarativo de deep learning para treinar, ajustar e implantar LLMs e modelos multimodais e tabulares a partir de configurações YAML.

Ver no GitHubSite
Estrelas
11,793
Forks
1,213
Issues abertas
3
Último commit
há 5 dias

O que é?

O Ludwig permite criar modelos de IA escrevendo uma configuração declarativa em YAML, em vez de implementar um loop de treinamento, um pipeline de dados e código de avaliação personalizados. Você lista os recursos de entrada e saída com seus tipos (texto, imagem, número, áudio, séries temporais e outros), e o framework monta encoders, combinadores e decoders; em seguida, executa treinamento, avaliação e inferência pela linha de comando.

Para modelos de linguagem, o Ludwig oferece fine-tuning supervisionado, alinhamento com DPO, KTO, ORPO e GRPO, adaptadores LoRA, DoRA e outros PEFT, QLoRA de 4 bits e quantização com torchao, além de fine-tuning de modelos visão-linguagem. Modelos tabulares e multimodais podem usar qualquer encoder de texto do HuggingFace ou encoder de imagem do timm, com busca de hiperparâmetros via Ray Tune ou Optuna.

Os modelos treinados podem ser disponibilizados por um endpoint REST com FastAPI, vLLM, Ray Serve ou KServe; exportados como bundles SafeTensors, ONNX ou torch.export; ou enviados ao HuggingFace Hub. O projeto é construído sobre PyTorch, Transformers e Ray e pode ser executado de um laptop a clusters com várias GPUs ou Ray, bastando alterar a configuração do backend.

Recursos principais

  • 01Defina modelos e execuções de treinamento inteiramente em YAML, sem implementar um loop de treinamento personalizado.
  • 02Faça fine-tuning de LLMs com SFT, DPO, KTO, ORPO e GRPO, incluindo LoRA e QLoRA.
  • 03Combine entradas de texto, imagem, dados numéricos, áudio e séries temporais em um único modelo.
  • 04Faça busca de hiperparâmetros com Ray Tune ou Optuna.
  • 05Disponibilize modelos via REST, vLLM, Ray Serve ou KServe e exporte-os para ONNX ou SafeTensors.

Casos de uso

  • Fazer fine-tuning de um LLM de pesos abertos com dados de instrução usando LoRA e pouca memória de GPU.
  • Criar um classificador ou regressor tabular sem escrever código de treinamento.
  • Treinar um modelo que combine imagens de produtos, texto de avaliações e campos numéricos.
  • Prever séries temporais com encoders PatchTST ou N-BEATS.

Início rápido

  1. 1

    Instale o Ludwig pelo PyPI (Python 3.12 ou superior).

    pip install ludwig
  2. 2

    Escreva uma configuração YAML que descreva os recursos de entrada e saída do seu modelo.

  3. 3

    Treine o modelo com seu conjunto de dados.

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

    Execute previsões com o modelo treinado.

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

Antes de usar

  • Requer Python 3.12 ou superior.
  • O fine-tuning de LLMs grandes exige muitos recursos de GPU e pode exigir um token do Hugging Face para modelos com acesso restrito.

Em coleções

Bibliotecas e ferramentas de visão computacional

Tópicos

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

Perguntas frequentes

O que é ludwig?
Framework declarativo de deep learning para treinar, ajustar e implantar LLMs e modelos multimodais e tabulares a partir de configurações YAML. O Ludwig permite criar modelos de IA escrevendo uma configuração declarativa em YAML, em vez de implementar um loop de treinamento, um pipeline de dados e código de avaliação personalizados. Você lista os recursos de entrada e saída com seus tipos (texto, imagem, número, áudio, séries temporais e outros), e o framework monta encoders, combinadores e decoders; em seguida, executa treinamento, avaliação e inferência pela linha de comando.
ludwig é gratuito? Qual é a licença?
ludwig é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
ludwig ainda é mantido?
Manutenção ativa. O último commit de ludwig foi em 2 de nov. de 2026.
Para que posso usar ludwig?
Fazer fine-tuning de um LLM de pesos abertos com dados de instrução usando LoRA e pouca memória de GPU. Criar um classificador ou regressor tabular sem escrever código de treinamento. Treinar um modelo que combine imagens de produtos, texto de avaliações e campos numéricos. Prever séries temporais com encoders PatchTST ou N-BEATS.
Como instalar ludwig?
Instale o Ludwig pelo PyPI (Python 3.12 ou superior).: pip install ludwig Escreva uma configuração YAML que descreva os recursos de entrada e saída do seu modelo. Treine o modelo com seu conjunto de dados.: ludwig train --config model.yaml --dataset my_data.csv Execute previsões com o modelo treinado.: ludwig predict --model_path results/experiment_run/model --dataset new_data.csv
Onde consigo ludwig?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/ludwig-ai/ludwig

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados