Hugging Face

Hugging Face est une entreprise d’IA et une communauté open source dont le Hub est un lieu central pour publier, trouver et télécharger des modèles d’apprentissage automatique, des jeux de données et des applications de démonstration. En octobre 2026, le Hub répertorie plus de 3,1 millions de modèles et 1 million de jeux de données, allant des grands modèles de langage (LLM) et des transformers de vision à la reconnaissance vocale, la robotique et aux modèles de détection d’objets. L’entreprise maintient également des bibliothèques open source très utilisées, notamment Transformers.

Clément Delangue, Julien Chaumond et Thomas Wolf ont fondé l’entreprise à New York en 2016 sous la forme d’une application de chatbot pour adolescents, nommée d’après l’émoji du visage qui enlace. Son portage de BERT de Google vers PyTorch, publié en novembre 2018, est devenu Transformers, tandis que l’entreprise délaissait le chatbot au profit d’outils open source. En septembre 2026, NVIDIA a accepté d’acquérir Hugging Face pour environ 12,9 milliards de dollars. L’opération, qui devrait être conclue au premier semestre 2027 sous réserve de l’approbation des autorités de réglementation, prévoit que Hugging Face conserve sa marque en tant que plateforme ouverte.

Le Hub#

Chaque modèle, jeu de données et Space sur le Hub est un dépôt Git doté d’un historique complet des versions. Les fichiers volumineux, comme les poids, sont stockés par Xet, le système de stockage de Hugging Face, qui déduplique les données par blocs. Le téléversement d’un point de contrôle modifié ne transfère donc que les blocs qui ont changé. Le Hub héberge trois types de dépôts :

• Modèles : poids du modèle, fichiers de configuration et fiche du modèle, un fichier README dont les métadonnées indiquent la licence, les données d’entraînement, les résultats d’évaluation et les limites. De nombreux dépôts stockent les poids au format safetensors, qui se charge sans exécuter de code ; les dépôts à accès contrôlé obligent les utilisateurs à accepter les conditions du propriétaire avant le téléchargement.
• Jeux de données : fichiers de données accompagnés d’une fiche descriptive et d’un visualiseur intégré au navigateur. La bibliothèque datasets les charge avec Apache Arrow et peut aussi diffuser en continu les jeux de données trop volumineux pour être téléchargés.
• Spaces : applications de démonstration hébergées et créées avec Gradio, Docker ou du HTML statique, souvent le moyen le plus rapide d’essayer un nouveau modèle dans le navigateur.

Les fournisseurs d’inférence acheminent les requêtes API des modèles du Hub vers des fournisseurs sans serveur partenaires, tandis que les points de terminaison d’inférence déploient un modèle sur du matériel dédié. Un projet type suit ce parcours sur le Hub :

Bibliothèques open source#

• Transformers : définitions de modèles et poids préentraînés pour les tâches de texte, de vision, d’audio et multimodales, réunis derrière une seule API, y compris la fonction pipeline qui exécute une tâche en quelques lignes. La bibliothèque en est maintenant à sa cinquième version majeure.
• Diffusers : pipelines pour les modèles de diffusion qui génèrent des images, des vidéos et de l’audio.
• Datasets et Tokenizers : chargement et traitement rapides des données, et implémentations rapides en Rust des méthodes de tokenisation utilisées par les modèles.
• PEFT et TRL : méthodes d’ajustement fin efficace en paramètres, comme LoRA, et méthodes de post-entraînement comme l’optimisation directe des préférences pour aligner les modèles de langage.
• timm, LeRobot et smolagents : modèles d’image PyTorch, jeux de données et politiques d’apprentissage robotique, ainsi que des agents d’IA légers.

Télécharger des modèles depuis le Hub#

La bibliothèque huggingface_hub télécharge n’importe quel fichier d’un dépôt et le met en cache localement, afin que les appels suivants réutilisent la copie en cache. Ultralytics publie les points de contrôle YOLO26 dans le dépôt Ultralytics/YOLO26, avec les cinq tailles pour la détection, la segmentation, la classification, l’estimation de pose et les boîtes orientées :

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

# Télécharge les poids YOLO26n depuis le dépôt Ultralytics sur le Hub (mis en cache après le premier appel)
weights = hf_hub_download(repo_id="Ultralytics/YOLO26", filename="yolo26n.pt")

# Charge le point de contrôle téléchargé et lance la détection
model = YOLO(weights)
results = model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_detections.jpg")

hf_hub_download renvoie le chemin de yolo26n.pt dans le cache local de Hugging Face, et l’image enregistrée montre les détections de YOLO26n sur la photo du bus.

Hugging Face face aux plateformes associées#

• GitHub : héberge le code source dans des dépôts Git. Le Hub Hugging Face utilise aussi Git et ajoute ce dont les artefacts de machine learning ont besoin : du stockage pour les poids de plusieurs gigaoctets, des fiches de modèles et de jeux de données, des explorateurs de jeux de données et de l’inférence hébergée.
• Catalogues de modèles : les collections propres à un framework, comme PyTorch Hub, chargent les modèles au moyen d’une seule bibliothèque, tandis que le Hub propose des modèles issus de nombreuses bibliothèques, chacun étiqueté avec la bibliothèque qui le charge.
• Registres de modèles : catalogues privés qui suivent les versions de modèles, les étapes et les approbations de déploiement d’une équipe, généralement au sein d’une plateforme MLOps.

Applications concrètes#

• Ajustement fin de modèles ouverts : les équipes téléchargent des LLM à poids ouverts, les adaptent avec LoRA et renvoient les petits fichiers d’adaptateur sur le Hub au lieu d’y déposer des copies complètes du modèle.
• Recherche reproductible : les articles publient leurs poids et leurs jeux de données sur le Hub, et les pages d’articles de Hugging Face renvoient vers les modèles, les jeux de données et les Spaces qui les utilisent.
• Données d’entraînement ouvertes : FineWeb, un jeu de données Hugging Face constitué de textes Web anglais nettoyés et dédupliqués provenant de Common Crawl, est passé de 15 billions de jetons à sa publication à plus de 18,5 billions.