Hugging Face

Hugging FaceはAI企業であり、オープンソースコミュニティです。そのHubは、機械学習モデル、データセット、デモアプリケーションを公開、検索、ダウンロードするための中心的な場所です。2026年10月時点で、Hubには310万を超えるモデルと100万件のデータセットが掲載されており、大規模言語モデル (LLM)や視覚Transformerから、音声、ロボティクス、物体検出のチェックポイントまで揃っています。同社は、広く使われているオープンソースライブラリも開発しており、中でもTransformersが中心的なライブラリです。

Clément Delangue、Julien Chaumond、Thomas Wolfは、ハグの顔の絵文字にちなんで名付けた10代向けチャットボットアプリとして、2016年にニューヨークで同社を創業しました。2018年11月に公開したGoogleのBERTのPyTorch移植版は、同社がチャットボットからオープンソースツールへ軸足を移す中で、Transformersへと発展しました。2026年9月、NVIDIAは約129億ドルでHugging Faceを買収することに合意しました。規制当局の承認を条件に、2027年上半期の完了が見込まれており、Hugging Faceはオープンプラットフォームとしてのブランドを維持します。

Hub#

Hub上のすべてのモデル、データセット、Spaceは、完全なバージョン履歴を備えたGitリポジトリです。重みなどの大容量ファイルは、Hugging FaceのストレージバックエンドであるXetに保存されます。Xetはデータをチャンク単位で重複排除するため、変更したチェックポイントをアップロードする際は、変更部分のチャンクだけが転送されます。Hubでは、次の3種類のリポジトリをホストしています。

• モデル: モデルの重み、設定ファイル、モデルカード（README）が含まれます。モデルカードのメタデータには、ライセンス、学習データ、評価結果、制限事項が記録されます。多くのリポジトリでは、コードを実行せずに読み込める形式のsafetensorsで重みを保存しています。ゲート付きリポジトリでは、ダウンロード前にユーザーが所有者の利用条件に同意する必要があります。モデルカードは次のとおりです。
• データセット: データファイル、データセットカード、ブラウザー内ビューアーで構成されます。datasetsライブラリはApache Arrowを通じてデータセットを読み込み、ダウンロードできないほど大きなデータセットをストリーミングすることもできます。
• Spaces: Gradio、Docker、または静的HTMLで構築されたホスト型デモアプリです。多くの場合、新しいモデルをブラウザー上ですぐに試せる方法です。

Inference Providersは、Hub上のモデルに対するAPIリクエストをパートナーのサーバーレスプロバイダーにルーティングします。Inference Endpointsでは、専用ハードウェア上にモデルをデプロイできます。一般的なプロジェクトは次のようにHubを利用します。

オープンソースライブラリ#

• Transformers: テキスト、ビジョン、音声、マルチモーダルタスク向けのモデル定義と学習済み重みを、1つのAPIから利用できます。数行のコードでタスクを実行するpipeline関数などが含まれています。現在はメジャーバージョン5に達しています。
• Diffusers: 画像、動画、音声を生成する拡散モデル向けのパイプラインです。
• DatasetsとTokenizers: 高速なデータ読み込み・処理と、モデルが使用するトークン化方式の高速なRust実装を提供します。
• PEFTとTRL: LoRAなどのパラメーター効率の高いファインチューニング手法や、言語モデルを調整するための直接選好最適化などの学習後手法を提供します。
• timm、LeRobot、smolagents: PyTorchの画像モデル、ロボット学習用のデータセットとポリシー、軽量なAIエージェントを提供します。

Hubからモデルをダウンロードする#

huggingface_hubライブラリは、リポジトリ内の任意のファイルをダウンロードしてローカルにキャッシュするため、以降の呼び出しではキャッシュ済みのコピーを再利用します。Ultralyticsは、Ultralytics/YOLO26リポジトリでYOLO26のチェックポイントを公開しています。検出、セグメンテーション、ポーズ推定、方向付きボックス、分類の各タスクで、5つすべてのサイズが利用できます。

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

# # Hub上のUltralyticsリポジトリからYOLO26nの重みをダウンロードします（初回の呼び出し後はキャッシュされます）
weights = hf_hub_download(repo_id="Ultralytics/YOLO26", filename="yolo26n.pt")

# # ダウンロードしたチェックポイントを読み込んで検出を実行します
model = YOLO(weights)
results = model("https://ultralytics.com/images/bus.jpg")
results[0].save(filename="bus_detections.jpg")

hf_hub_downloadは、ローカルのHugging Faceキャッシュにあるyolo26n.ptのパスを返します。保存された画像には、バスの写真に対するYOLO26nの検出結果が表示されます。

Hugging Faceと関連プラットフォームの比較#

• GitHub: Gitリポジトリでソースコードをホストします。Hugging Face HubもGitを使用し、機械学習アーティファクトに必要な機能を追加します。数GB規模の重みのストレージ、モデルカードとデータセットカード、データセットビューア、ホスト型推論などです。
• モデル動物園: PyTorch Hubのようなフレームワーク固有のコレクションでは、1つのライブラリを通じてモデルを読み込みます。一方、Hubはさまざまなライブラリのモデルを提供し、それぞれのモデルには読み込みに使用するライブラリのタグが付いています。
• モデルレジストリ: チームのモデルバージョン、ステージ、デプロイ承認を追跡するプライベートカタログで、通常はMLOpsプラットフォーム内にあります。

実際のアプリケーション#

• オープンモデルのファインチューニング: チームはオープンウェイトのLLMをダウンロードし、LoRAで調整してから、モデル全体のコピーではなく小さなアダプターファイルをHubにプッシュします。
• 再現可能な研究: 論文では重みとデータセットをHubで公開し、Hugging Faceの論文ページでは各論文を、その論文で使用されるモデル、データセット、Spacesにリンクします。
• オープントレーニングデータ: Common Crawlから収集した英語Webテキストをクリーニングし、重複を除去したHugging FaceのデータセットFineWebは、公開時の15兆トークンから185兆トークンを超える規模に成長しました。