NVIDIA और Hugging Face ने विशाल इमेज और वीडियो AI मॉडल्स को प्रशिक्षित करना आसान बनाने के लिए सहयोग किया
एक नया ओपन-सोर्स टूल डेवलपर्स को सबसे बड़े इमेज और वीडियो जनरेटर्स को फाइन-ट्यून करने देता है, एक भी मशीन से लेकर सैकड़ों चिप्स तक के हार्डवेयर पर, जटिल फाइल कन्वर्जन के बिना।
मुख्य बिंदु
- NVIDIA और Hugging Face ने संयुक्त रूप से NeMo Automodel, एक मुफ्त, ओपन-सोर्स प्रशिक्षण टूल, जून 2025 में जारी किया।
- यह टूल FLUX.1-dev (12 अरब पैरामीटर) और HunyuanVideo (13 अरब पैरामीटर) सहित मॉडल्स के फाइन-ट्यूनिंग का समर्थन करता है, जो उपलब्ध सबसे सक्षम ओपन इमेज और वीडियो जनरेटर्स में से दो हैं।
- डेवलपर्स Hugging Face Hub पर होस्ट किए गए मॉडल्स से सीधे प्रशिक्षण शुरू कर सकते हैं, जो AI मॉडल्स का दुनिया का सबसे बड़ा सार्वजनिक भंडार है, पहले विशेष प्रारूप में फाइलों को कन्वर्ट किए बिना।
- सॉफ्टवेयर Apache 2.0 लाइसेंस के तहत उपयोग करने के लिए मुफ्त है, जिसका अर्थ है कि कोई भी इसे वाणिज्यिक रूप से उपयोग, संशोधन और निर्माण कर सकता है।
एक AI को किसी विशिष्ट शैली में चित्र उत्पन्न करने के लिए, या ऐसे वीडियो उत्पन्न करने के लिए प्रशिक्षित करना जो किसी कंपनी के दृश्य ब्रांड से मेल खाते हैं, महंगा और तकनीकी रूप से मांग वाला काम है। अब तक, इसे बड़े पैमाने पर करने का मतलब आमतौर पर हर बार एक नया मॉडल आने पर सॉफ्टवेयर को खरोंच से फिर से लिखना था।
NVIDIA और Hugging Face इसे बदलना चाहते हैं।
दोनों कंपनियों ने NeMo Automodel प्रकाशित किया है, एक ओपन-सोर्स लाइब्रेरी, जिसका अर्थ है मुफ्त सॉफ्टवेयर जिसका कोड कोई भी निरीक्षण और परिवर्तन कर सकता है, जो NVIDIA की औद्योगिक-स्तरीय प्रशिक्षण मशीनरी को Hugging Face Diffusers लाइब्रेरी से जोड़ता है। Diffusers विसरण मॉडल्स चलाने के लिए सबसे व्यापक रूप से उपयोग की जाने वाली टूलकिट है, AI का वह वर्ग जो यादृच्छिक शोर को धीरे-धीरे परिष्कृत करके इमेज और वीडियो उत्पन्न करता है।
सादे शब्दों में: एक डेवलपर जो FLUX.1-dev, सर्वश्रेष्ठ सार्वजनिक रूप से उपलब्ध टेक्स्ट-टू-इमेज जनरेटर्स में से एक को सिखाना चाहता है, को विंटेज टैरोट कार्ड्स की शैली में ड्रा करने के लिए अब किसी भी विशेष कोड को छुए बिना ऐसा कर सकता है। वे टूल को अपने डेटासेट पर इंगित करते हैं, एक कॉन्फ़िगरेशन फाइल चुनते हैं, और इसे चलाते हैं।
यह वास्तव में AI टूल्स बनाने वाले लोगों के लिए क्या बदलता है?
इस रिलीज से पहले, एक मॉडल को Hugging Face लाइब्रेरी से एक प्रशिक्षण प्रणाली में स्थानांतरित करने के लिए अक्सर मॉडल के सहेजे गए वेट्स, संख्यात्मक मानों को एक अलग फाइल प्रारूप में परिवर्तित करना, प्रशिक्षण करना, फिर वापस परिवर्तित करना आवश्यक था। NeMo Automodel पूरी तरह से इसे छोड़ देता है। एक फाइन-ट्यून किया गया मॉडल, जिसे नई उदाहरणों पर आगे प्रशिक्षित किया गया है, अपने कौशल को विशेषज्ञ बनाने के लिए, प्रशिक्षण समाप्त होने के क्षण मानक टूल्स में सीधे लोड हो जाता है।
यह टूल स्वचालित रूप से स्केल को संभालता है। एक छोटी टीम एक शक्तिशाली मशीन के साथ और एक बड़ा अनुसंधान समूह सैकड़ों GPU के साथ, विशेष चिप्स जो AI को आवश्यक भारी संख्या-क्रंचिंग करते हैं, दोनों एक ही कॉन्फ़िगरेशन फाइलों का उपयोग कर सकते हैं। एक मॉडल को कई चिप्स में विभाजित करने के विभिन्न तरीकों के बीच स्विच करना एक कोडिंग प्रोजेक्ट नहीं, बल्कि एक सेटिंग परिवर्तन है।
सीमित हार्डवेयर वाले डेवलपर्स के लिए, टूल LoRA का समर्थन करता है, एक तकनीक जो मॉडल के केवल एक छोटे अंश को फाइन-ट्यून करती है, सभी को नहीं, मेमोरी उपयोग को तेजी से कम करते हुए गुणवत्ता को उच्च रखते हुए।
ब्लॉग पोस्ट, पहली बार Hugging Face द्वारा प्रकाशित, एक काम किया गया उदाहरण प्रस्तुत करता है: 78 सार्वजनिक-डोमेन टैरोट कार्ड इमेजों पर FLUX.1-dev को फाइन-ट्यून करना। पूरे प्रशिक्षण रन में 200 कदम लगते हैं और एक मॉडल तैयार करता है जो मांग पर टैरोट-शैली की इमेजें उत्पन्न करता है।
लॉन्च पर समर्थित मॉडल्स में इमेजों के लिए FLUX.1-dev और वीडियो जनरेशन के लिए Wan 2.1 और HunyuanVideo दोनों शामिल हैं।
अधिकांश सामान्य उपयोगकर्ताओं के लिए, इसका कोई भी सीधे आज कुछ नहीं बदलता है। जो लोग इससे प्रभावित होते हैं वे डेवलपर्स और शोधकर्ता हैं जो इमेज टूल्स, रचनात्मक ऐप्स, और व्यावसायिक सॉफ्टवेयर बनाते हैं जो सामान्य लोग अंत में उपयोग करते हैं। बेहतर, सस्ता प्रशिक्षण पाइपलाइन मतलब आमतौर पर अधिक विशेषीकृत AI सुविधाएं तेजी से और कम लागत पर आती हैं।
सॉफ्टवेयर अभी GitHub पर उपलब्ध है और आधिकारिक Diffusers प्रशिक्षण गाइड में प्रलेखित है।
