Hugging Face

Hugging Face è un'azienda di IA e una community open source; il suo Hub è un punto di riferimento per pubblicare, trovare e scaricare modelli di machine learning, set di dati e applicazioni dimostrative. A ottobre 2026, l'Hub elenca oltre 3.1 milioni di modelli e 1 milione di set di dati, dai modelli linguistici di grandi dimensioni (LLM) ai vision transformer, fino a modelli vocali, di robotica e di rilevamento degli oggetti. L'azienda mantiene anche librerie open source ampiamente utilizzate, a partire da Transformers.

Clément Delangue, Julien Chaumond e Thomas Wolf hanno fondato l'azienda a New York nel 2016 come app chatbot per adolescenti, chiamata così in riferimento all'emoji di una faccina che abbraccia. La versione PyTorch di BERT di Google, pubblicata a novembre 2018, si è evoluta in Transformers, mentre l'azienda passava dal chatbot agli strumenti open source. A settembre 2026, NVIDIA ha accettato di acquisire Hugging Face per circa 12.9 miliardi di dollari; l'operazione dovrebbe concludersi nella prima metà del 2027, previa approvazione normativa, e Hugging Face manterrà il proprio marchio come piattaforma aperta.

L'Hub#

Ogni modello, set di dati e Space sull'Hub è un repository Git con cronologia completa delle versioni. I file di grandi dimensioni, come i pesi, sono archiviati tramite Xet, il backend di archiviazione di Hugging Face, che elimina i duplicati suddividendo i dati in blocchi; pertanto, caricando un checkpoint modificato vengono trasferiti solo i blocchi cambiati. L'Hub ospita tre tipi di repository:

• Modelli: pesi del modello, file di configurazione e una scheda del modello, un README con metadati relativi a licenza, dati di addestramento, risultati della valutazione e limitazioni. Molti repository archiviano i pesi nel formato safetensors, che viene caricato senza eseguire codice; per scaricare i repository con accesso limitato, gli utenti devono accettare le condizioni del proprietario.
• Set di dati: file di dati con una scheda del set di dati e un visualizzatore nel browser. La libreria datasets li carica tramite Apache Arrow e può anche trasmettere in streaming set di dati troppo grandi da scaricare.
• Spaces: app dimostrative ospitate e realizzate con Gradio, Docker o HTML statico, spesso il modo più rapido per provare un nuovo modello nel browser.

I provider di inferenza inoltrano le richieste API per i modelli sull'Hub a provider serverless partner; gli endpoint di inferenza consentono di distribuire un modello su hardware dedicato. Un tipico progetto passa per l'Hub nel modo seguente:

Librerie open source#

• Transformers: definizioni di modelli e pesi preaddestrati per attività di testo, visione, audio e multimodali, accessibili tramite un'unica API; include la funzione pipeline che esegue un'attività in poche righe. Ha ormai raggiunto la quinta versione principale.
• Diffusers: pipeline per i modelli di diffusione che generano immagini, video e audio.
• Datasets e Tokenizers: caricamento ed elaborazione rapidi dei dati e implementazioni veloci in Rust degli schemi di tokenizzazione usati dai modelli.
• PEFT e TRL: metodi di fine-tuning efficiente dei parametri, come LoRA, e metodi di addestramento successivo, come l'ottimizzazione diretta delle preferenze, per allineare i modelli linguistici.
• timm, LeRobot e smolagents: modelli di immagini PyTorch, set di dati e policy per l'apprendimento robotico e agenti IA leggeri.

Scaricare modelli dall'Hub#

La libreria huggingface_hub scarica qualsiasi file da un repository e lo memorizza localmente nella cache, così le chiamate successive riutilizzano la copia memorizzata. Ultralytics pubblica checkpoint YOLO26 nel repository Ultralytics/YOLO26, in tutte e cinque le dimensioni per il rilevamento, la segmentazione, la classificazione, la stima della posa e i riquadri orientati:

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

# Scarica i pesi YOLO26n dal repository Ultralytics sull'Hub (vengono memorizzati nella cache dopo la prima chiamata)
weights = hf_hub_download(repo_id="Ultralytics/YOLO26", filename="yolo26n.pt")

# Carica il checkpoint scaricato ed esegui il rilevamento
model = YOLO(weights)
results = model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_detections.jpg")

hf_hub_download restituisce il percorso di yolo26n.pt nella cache locale di Hugging Face; l'immagine salvata mostra i rilevamenti di YOLO26n sulla foto dell'autobus.

Hugging Face e piattaforme correlate#

• GitHub: ospita il codice sorgente nei repository Git. Anche Hugging Face Hub usa Git e aggiunge ciò di cui hanno bisogno gli artefatti di machine learning: spazio di archiviazione per pesi di diversi gigabyte, schede di modelli e dataset, visualizzatori di dataset e inferenza ospitata.
• Raccolte di modelli: raccolte specifiche per framework, come PyTorch Hub, caricano i modelli tramite una singola libreria, mentre Hub offre modelli di molte librerie, ognuno contrassegnato con la libreria che lo carica.
• Registri di modelli: cataloghi privati che tengono traccia delle versioni dei modelli di un team, delle fasi e delle approvazioni per la distribuzione, solitamente all'interno di una piattaforma MLOps.

Applicazioni nel mondo reale#

• Fine-tuning di modelli aperti: i team scaricano LLM con pesi aperti, li adattano con LoRA e ricaricano i piccoli file degli adapter su Hub invece di caricare copie integrali del modello.
• Ricerca riproducibile: gli articoli pubblicano i propri pesi e dataset su Hub e le pagine degli articoli di Hugging Face collegano ogni articolo ai modelli, ai dataset e agli Spaces che lo utilizzano.
• Dati di addestramento aperti: FineWeb, un dataset di Hugging Face contenente testo inglese sul web, ripulito e deduplicato da Common Crawl, è passato dai 15 trilioni di token al momento del rilascio a oltre 18,5 trilioni.