许可证: MIT
基础模型:

• numind/NuNER_Zero
  任务类型: 零样本分类
  标签:
• ONNX
• NuNER
• Gliner
• 零样本NER
• 命名实体识别

NuNerZero的ONNX模型
本仓库托管了NuNerZero的ONNX版本，这是一个专为使用ONNX Runtime进行快速推理而优化的零样本命名实体识别（NER）模型。此次转换旨在提供高效且可直接用于生产环境的性能，同时保留NuNerZero模型的原始能力。

该模型是Zink项目的一部分。
Zink是一个零样本匿名化工具，目前使用ONNX版本的NuNERZero模型进行匿名化处理。

仓库内容:

1. model.onnx: 用于推理的主要ONNX模型文件。
2. gliner_config.json: 模型的配置设置。
3. added_tokens.json: 分词器所需的额外标记。
4. special_tokens_map.json: 特殊标记的映射。
5. tokenizer.json和tokenizer_config.json: 分词器的词汇表和配置文件。
6. spm.model: 分词器使用的SentencePiece模型文件。

要求:

1. Python 3.7或更高版本
2. GLiNER – 提供加载和运行模型接口的包。ONNX版本基于"gliner==0.2.3"创建。

使用方法
以下是如何使用GLiNER加载和运行ONNX模型的快速示例:

from gliner import GLiNER  
import time  

# 加载ONNX模型和分词器  
model_name="deepanwa/NuNerZero_onnx"  
model = GLiNER.from_pretrained(model_name,load_onnx_model=True, load_tokenizer=True)  

text = "来自加拿大的心脏病专家Michael博士出生于1970年7月4日。John Doe拨打了母亲的电话992-234-3456，然后外出散步。"  
labels = ("人物", "职业", "地点", "日期", "电话号码", "关系", "医疗状况", "年龄")  

start = time.time()  
result = model.predict_entities(text, labels)  
end = time.time()  

print("预测实体:", result)  
print("耗时:", end - start)  

重要说明
大模型尺寸: 模型文件约1.85GB，下载时请确保有足够的带宽和磁盘空间。

推理效率: 与原始PyTorch实现相比，利用ONNX格式可以显著加速推理。

引用:
10.57967/hf/4902

贡献
欢迎贡献、建议或错误报告。如有改进意见，请提交issue或pull request。