Streamlit and Gradio

Егор Горбань — Data Engineer

Зачем оно надо

Для чего? Для кого? Можно же обойтись jupyter-ноутбуками или в крайнем случае сделать back-end на fastapi.
Front-end - тяжело… (или нет?)
Вот бы можно было всё сделать на ✨питоне✨…
Streamlit и Gradio спешат на помощь. (Also: dash - but more complex and not so open-sourse)

На первом этапе, когда вы работаете над моделью и вам требуется визуализировать какие-то данные - в принципе вы можете обойтись jupyter ноутбуками. Но если ваша модель понравилась заказчику и он хочет пользоваться чем-то таким в проде, то одними ноутбуками уже не обойтись.
Допустим вы хотите поставить пользователю сервис с вашей моделью, чтобы он мог пользоваться им удалённо и радоваться. Хорошо, предположим вы написали какое-то бэкенд приложение, например через fastapi и развернули его. Пользователь уже может взаимодействовать с вашим приложением, например просто через утилиту командной строки curl, или через какие-нибудь более сложные инструменты вроде Postman.
Но это не очень user-friendly, особенно если этим будут пользоваться обычные люди, а не программисты. Хочется сделать готовый красивый прототип: чтобы у приложения был интерфейс для взаимодействия с ML-моделями, чтобы можно было визуализировать данные, построить дашборды, или дать пользователям заполнить какую-нибудь формочку и отправить её бэкенд-приложению, и т.д. Также для ML-приложений хочется загружать какие-то медиафайлы, аудио-видео-картинки, чтобы производить с ними манипуляции.
Для этого приложению нужна фронтенд часть. Продовый фронтенд обычно пишется довольно тяжело, с использованием html/css и библиотек на js, типа react, angular, vue и так далее. Но для прототипа сервиса с ml-моделькой можно и проще.
Мы рассмотрим два инструмента на python, которые помогут вам не писать много дополнительного кода и буквально в одном python-файле с парой десятков строк написать минимальный фронтенд для демонстрации работы приложения.
Мы посмотрим два инструмента: streamlit и gradio. Для каждого инструмента сначала рассмотрим базовые концепции, потом перейдём к специфическим возможностям, параллельно рассматривая разные примеры на практике. Вообще есть ещё dash, но мы его рассматривать не будем, так как возможностей предоставляемых streamlit и gradio вполне достаточно, а также dash сложнее в изучении и не очень open-source, поэтому его сложнее интегрировать в корпоративные решения.