# pip install -U transformers accelerate
# Load model directly
from transformers import AutoModel
model = AutoModel.from_pretrained("FlowRank/mailSort", device_map="auto")Quick Links
mailSort
Classifieur d’e-mails 20 classes (catégorie + urgence), basé sur DistilBERT.
Entraîné sur FlowRank/labeled_emails (révision main, ~19,8k exemples).
Accuracy test : 96,01 % (1 900 / 1 979).
| Version | Labels | Révision dataset | Révision modèle |
|---|---|---|---|
| v2 (courante) | 20 | main ou v2.0 |
main ou v2.0 |
| v1 | 10 | v1.0 |
v1.0 |
Labels (v2)
Chaque catégorie est déclinée en _urgent / _not_urgent : family, finance, games, human resources, medical, pets, school, software engineering, sport, work/airbus.
Inférence
from transformers import AutoModelForSequenceClassification, AutoTokenizer, pipeline
tok = AutoTokenizer.from_pretrained("FlowRank/mailSort", subfolder="model")
model = AutoModelForSequenceClassification.from_pretrained("FlowRank/mailSort", subfolder="model")
clf = pipeline("text-classification", model=model, tokenizer=tok, truncation=True)
text = "Subject: Insurance claim\n\nBody: I need to update my policy urgently."
print(clf(text))
Développement local
Repo Python minimal pour entraîner, évaluer et publier. Le script principal est mailsort.train.
Par défaut, le code charge la dernière version du dataset (FlowRank/labeled_emails@main).
Installation
uv sync
Entraîner + évaluer
uv run python -m mailsort.train \
--model-name distilbert-base-uncased \
--hub-model-id FlowRank/mailSort \
--num-train-epochs 2
Pour épingler une version précise du dataset :
uv run python -m mailsort.train --dataset-revision v1.0
Évaluer le modèle publié
uv run python -m mailsort.eval --split test
Évalue par défaut FlowRank/mailSort (sous-dossier model/) sur FlowRank/labeled_emails@main.
Publier via Git (README + model/)
uv run python -m mailsort.prepare_model --outputs-dir outputs --model-dir model
git add README.md model
git commit -m "chore(model): update published artifacts"
git push
Le push Hub automatique via Trainer nécessite HF_TOKEN :
export HF_TOKEN="..."
uv run python -m mailsort.train --hub-model-id FlowRank/mailSort
Model tree for FlowRank/mailSort
Base model
distilbert/distilbert-base-uncasedDataset used to train FlowRank/mailSort
Evaluation results
- accuracy on FlowRank/labeled_emailsself-reported0.960
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-classification", model="FlowRank/mailSort")