本文面向刚入门 AI 的同学，目标是在云 Notebook 上（无需本地环境）跑通「下载模型 → 下载数据集 → 微调 → 上传」的完整链路。
什么是魔搭社区？
魔搭社区（ModelScope） 是阿里巴巴联合 CCF 开源发展委员会共同发起的 AI 模型开源社区与创新平台，也是国内目前最活跃的 AI 模型共享与协作平台之一。
如果你刚开始接触 AI，或者曾经尝试过从海外平台下载大模型，大概率遇到过这些让人头疼的问题：网页加载半天打不开、下载到一半突然断线只能重来、大文件存储有容量上限、甚至需要额外付费才能下载热门模型。对于国内开发者来说，网络环境和使用习惯都让这些门槛变得更高。
这时候，魔搭社区就是更省心、更顺畅的选择。
对国内用户来说，魔搭不仅是一个”能下载模型的地方”，更是一个从找模型 → 跑代码 → 微调训练 → 分享成果都能一站式完成的开源社区，让非计算机背景的同学也能快速上手，不会被复杂的网络代理和入门文档给卡住。
如何下载模型和数据集？
魔搭提供了网页下载、命令行、SDK、git 四种下载方式，总有一种适合你。
2.1 网页直接下载
最直观的方式：打开模型文件页面，点击下载按钮，文件就会保存到你的电脑。适合只想下一个文件看看的场景。
模型下载文档：https://modelscope.cn/docs/models/download
数据集下载文档：https://modelscope.cn/docs/datasets/download
2.2 CLI 下载（命令行）
CLI 是 Command Line Interface（命令行界面）的缩写，你可以在终端、命令提示符（CMD）、Powershell里输入命令。
安装 modelscope：
pip install modelscope
下载模型到本地指定目录：
modelscope download --model microsoft/resnet-18 --local_dir ./checkpoint
下载数据集到本地指定目录：
modelscope download --dataset OpenDataLab/Fashion-MNIST --local_dir ./dataset
--model / --dataset：要下载的仓库 ID （格式是所有者/模型或数据集名称）
--local_dir：保存到本地的路径
2.3 Python SDK 下载
SDK 是 Software Development Kit（软件开发工具包）的缩写，简单说就是用 Python 代码来操作。
在 Notebook 等 Python 开发环境里，我们一般用 SDK，方便和其他代码无缝衔接：
from modelscope import snapshot_download, dataset_snapshot_download
# 下载模型
model_dir = snapshot_download("microsoft/resnet-18", local_dir="./checkpoint")
# 下载数据集
dataset_dir = dataset_snapshot_download("OpenDataLab/Fashion-MNIST", local_dir="./dataset")
local_dir 参数表示把文件放到当前目录的哪个文件夹里，方便管理文件的下载位置。
模型下载文档：https://modelscope.cn/docs/models/download。
如果你想指定下载某些文件/过滤文件/下载私有模型，或者使用 Git 来管理模型库和数据集，可以在官方文档中查看更详细的例子。
如何上传模型和数据集？
如果你想把自己构建的数据集或者训练好的模型想分享给其他人用，魔搭不仅提供方便的上传方式，更提供了关联学科领域、论文、应用等社区组件的开源生态环境。
3.1 网页创建仓库
进入魔搭首页，点击右上角 创建模型（或创建数据集）
选择类型：一般选 通用模型；如果是 AIGC 模型或者 AI4Science 模型，可以在左上角选择细分类别，这样你的模型会被收录到这个领域的合集里，能被更多人发现。访问 https://modelscope.cn/nexa/models 可以直达科学智能专区。
填写模型名称、开源许可证、描述、标签等信息
创建完成后，可以通过网页上传文件，也可以用 CLI/SDK/Git 上传
上传文档：https://modelscope.cn/docs/models/upload
3.2 撰写模型/数据集卡片
模型卡片是模型库的名片，主要通过模型文件中的README.md文件维护。其主要由头部的 YAML元数据 和 Markdown正文 共两个部分组成，为社区用户快速了解、使用、共享模型提供了沟通协作的媒介。
一份完善的模型卡片可以包括但不限于模型名称与模型描述、使用指南、训练流程、数据评估及结果等内容。关于模型卡片的详细介绍可以查看文档（https://modelscope.cn/docs/models/model-card）。在这里，我们给一个在 Fasion-MNIST 数据集上微调过的 ResNet 模型撰写模型卡片：
---
license: apache-2.0
task:
- image-classification
frameworks: pytorch
datasets:
- OpenDataLab/Fashion-MNIST
base_model: microsoft/resnet-18
---
# ResNet-Fashion-MNIST
基于 ResNet-18 在 Fashion-MNIST 数据集上微调的图像分类模型。
## 模型描述
本模型以 [microsoft/resnet-18](https://modelscope.cn/models/microsoft/resnet-18) 为预训练权重，在 [Fashion-MNIST](https://modelscope.cn/datasets/OpenDataLab/Fashion-MNIST) 数据集上进行微调，用于识别 10 类服装物品。
## 使用示例
```python
from modelscope import snapshot_download
from transformers import AutoModelForImageClassification, AutoImageProcessor
from PIL import Image
import torch
# 1. 下载并加载模型 (首次运行会自动下载)
model_id = "VoyagerX/ResNet-Fashion-MNIST"
model_dir = snapshot_download(model_id)
model = AutoModelForImageClassification.from_pretrained(model_dir)
processor = AutoImageProcessor.from_pretrained(model_dir)
# 2. 准备图片 (确保图片为 RGB 模式)
image_path = "./my_model/test_img.png" # 请替换为您的实际图片路径
image = Image.open(image_path).convert("RGB")
# 3. 预处理与推理
inputs = processor(images=image, return_tensors="pt")
with torch.no_grad():
outputs = model(**inputs)
logits = outputs.logits
# 4. 获取结果
predicted_class_idx = logits.argmax(-1).item()
label = model.config.id2label[predicted_class_idx]
confidence = torch.softmax(logits, dim=-1)[0][predicted_class_idx].item()
print(f"预测类别: {label}")
print(f"置信度: {confidence:.4f}")
```
3.3 上传模型/数据集
模型和数据集的上传也有 CLI、SDK、Git 多种方式。以 CLI 为例上传一个微调好的 ResNet 模型：
modelscope upload YOUR_USERNAME/ResNet-Fashion-MNIST /path/to/model_folder --token ms-xxxxxx
也可以使用 Python SDK 上传：
from modelscope.hub.push_to_hub import push_to_hub
os.environ["MODELSCOPE_API_TOKEN"] = "ms-xxxxxx" # 替换为你自己的 access token
push_to_hub(
repo_name="YOUR_USERNAME/ResNet-Fashion-MNIST",
output_dir="./my_model",
private=False,
commit_message="Upload fine-tuned model"
)
上传前需要先获取 Access Token（访问令牌）：访问 https://modelscope.cn/my/myaccesstoken 复制你的令牌。Token 相当于你的密码，不要泄露给别人。
上传模型之后，“模型介绍”页面会自动提取 README.md 里的元数据，制作模型卡片，展示作者、模型系谱、关联数据集等信息。
装修你的个人主页
上传完模型和数据后，别忘了装修一下你的魔搭个人主页！一个精心维护的个人主页就是你最好的开源名片。
你可以：
上传头像和封面图
写一段个人简介和履历
展示自己的模型、数据集和项目
主页地址通常是：https://modelscope.cn/profile/你的用户名
动手实践：在灵感流Notebook上跑起来
光说不练假把式。下面我们在 魔搭灵感流 Gallery 里的云 Notebook 上完成一次完整实验：
下载 ResNet-18 预训练模型（图像分类经典模型）
下载 Fashion-MNIST 数据集（10 类服装图片，MNIST 的时尚升级版）
微调 模型：把原本识别 1000 类物体的 ResNet，改成识别 10 类服装
评估 计算测试集上的准确率
上传 训练好的模型到自己的魔搭仓库
环境说明
灵感流的 notebook 里已预装 PyTorch、modelscope、transformers 等常用 Python 库，打开 Notebook（https://modelscope.cn/gallery/MSEO/fc246a81-9e47-4101-9e8b-88397870630e），点击右上角的运行按钮，选择 CPU 或 GPU 实例就可以一键运行。
核心流程和代码一览：
写在最后
恭喜你完成了整个流程！回顾一下我们都做了什么：
用 snapshot_download 从魔搭下载了 ResNet-18 预训练模型
用 dataset_snapshot_download 下载了 Fashion-MNIST 数据集
用 transformers 库加载并微调了模型
用 push_to_hub 把成果上传回魔搭社区
魔搭社区不仅是模型的仓库，更是国内 AI 开发者交流、协作的平台。希望这篇教程能帮助你迈出第一步，早日成为社区的贡献者！
在研习社预览本教程（https://modelscope.cn/learn/7279）。如果有问题，欢迎在研习社留言讨论，也别忘了点亮小爱心支持一下哦。