Xenova/distilbert-base-uncased-finetuned-sst-2-english

Si aún no lo has hecho, puedes instalar la biblioteca de JavaScript Transformers.js desde NPM usando:

npm i @xenova/transformers

Luego, puedes usar el modelo para clasificar texto de la siguiente manera:

import { pipeline } from "@xenova/transformers";

// Crear un pipeline de análisis de sentimientos
const classifier = await pipeline('sentiment-analysis', 'Xenova/distilbert-base-uncased-finetuned-sst-2-english');

// Clasificar texto de entrada
const output = await classifier('¡Me encantan los transformers!');
console.log(output);
// [{ label: 'POSITIVE', score: 0.999788761138916 }]

// Clasificar texto de entrada (y devolver todas las clases)
const output2 = await classifier('¡Me encantan los transformers!', { topk: null });
console.log(output2);
// [
// { label: 'POSITIVE', score: 0.999788761138916 },
// { label: 'NEGATIVE', score: 0.00021126774663571268 }
// ]

Nota: Tener un repositorio separado para los pesos ONNX es una solución temporal hasta que WebML gane más tracción. Si deseas hacer tus modelos compatibles con la web, recomendamos convertirlos a ONNX usando 🤗 Optimum y estructurar tu repositorio como este (con los pesos ONNX en una subcarpeta llamada onnx).