# Streamlit Spaces
**Streamlit** позволяет пользователям свободно создавать полнофункциональные веб-приложения на Python в *реактивном* режиме. Ваш код выполняется заново каждый раз, когда изменяется состояние приложения. Streamlit также отлично подходит для визуализации данных и поддерживает несколько библиотек построения графиков, таких как Bokeh, Plotly и Altair. Прочитайте эту [статью в блоге](https://huggingface.co/blog/streamlit-spaces) о создании и размещении приложений Streamlit в Spaces.
Выбор **Streamlit** в качестве SDK при [создании нового Space](https://huggingface.co/new-space) инициализирует ваш Space с последней версией Streamlit, задавая свойство `sdk` значением `streamlit` в YAML-блоке вашего файла `README.md`. Если вы хотите изменить версию Streamlit, отредактируйте свойство `sdk_version`.
Чтобы использовать Streamlit в Space, выберите **Streamlit** в качестве SDK при создании Space через форму [**New Space**](https://huggingface.co/new-space). Это создаст репозиторий с файлом `README.md`, содержащим следующие свойства в блоке конфигурации YAML:
```yaml
sdk: streamlit
sdk_version: 1.25.0 # The latest supported version
```
Вы можете изменить `sdk_version`, но имейте в виду, что при использовании неподдерживаемой версии Streamlit могут возникать проблемы. Не все версии Streamlit поддерживаются, поэтому обратитесь к [разделу со справочной информацией](./spaces-config-reference), чтобы узнать, какие версии доступны.
Подробную информацию о Streamlit см. в [документации Streamlit](https://docs.streamlit.io/).
> [!WARNING]
> Для Spaces на базе Streamlit разрешён только порт 8501 (порт по умолчанию). Поэтому, если вы предоставляете файл `config.toml` для вашего Space, убедитесь, что порт по умолчанию не переопределяется.
## Ваше первое пространство Streamlit: классификатор хот-догов
В следующих разделах вы узнаете основы создания Space, его настройки и развёртывания вашего кода. Мы создадим Space **Hot Dog Classifier** на Streamlit, который будет использоваться для демонстрации модели [julien-c/hotdog-not-hotdog](https://huggingface.co/julien-c/hotdog-not-hotdog), способной определять, содержит ли изображение хот-дог 🌭
Готовую версию этого приложения можно найти в репозитории [NimaBoscarino/hotdog-streamlit](https://huggingface.co/spaces/NimaBoscarino/hotdog-streamlit).
## Создать новое пространство Streamlit
Мы начнём с [создания нового Space](https://huggingface.co/new-space) и выбора **Streamlit** в качестве SDK. Hugging Face Spaces — это Git-репозитории, что означает возможность работать над Space поэтапно (и совместно) путём отправки коммитов. Ознакомьтесь с руководством [Getting Started with Repositories](./repositories-getting-started), чтобы узнать, как создавать и редактировать файлы, прежде чем продолжить.
## Добавьте зависимости
Для **Hot Dog Classifier** мы будем использовать [🤗 Transformers pipeline](https://huggingface.co/docs/transformers/pipeline_tutorial) для работы с моделью, поэтому сначала нужно установить несколько зависимостей. Это можно сделать, создав файл **requirements.txt** в нашем репозитории и добавив в него следующие зависимости:
```
transformers
torch
```
Среда выполнения Spaces сама установит зависимости!
## Создайте приложение Streamlit
Чтобы создать приложение Streamlit, создайте новый файл в репозитории с именем **app.py** и добавьте следующий код:
```python
import streamlit as st
from transformers import pipeline
from PIL import Image
pipeline = pipeline(task="image-classification", model="julien-c/hotdog-not-hotdog")
st.title("Hot Dog? Or Not?")
file_name = st.file_uploader("Upload a hot dog candidate image")
if file_name is not None:
col1, col2 = st.columns(2)
image = Image.open(file_name)
col1.image(image, use_column_width=True)
predictions = pipeline(image)
col2.header("Probabilities")
for p in predictions:
col2.subheader(f"{ p['label'] }: { round(p['score'] * 100, 1)}%")
```
Этот Python-скрипт использует [🤗 Transformers pipeline](https://huggingface.co/docs/transformers/pipeline_tutorial) для загрузки модели [julien-c/hotdog-not-hotdog](https://huggingface.co/julien-c/hotdog-not-hotdog), которая применяется в интерфейсе Streamlit. Приложение Streamlit будет ожидать от вас загрузку изображения, которое затем будет классифицировано как *hot dog* или *not hot dog*. После сохранения кода в файл **app.py** перейдите на вкладку **App**, чтобы увидеть работу вашего приложения!
## Встраивание Streamlit Spaces на другие веб-страницы
Вы можете использовать HTML-тег `
```
```
Кроме того, вы можете ознакомиться с [нашей документацией](./spaces-embed).