Prendre RDV
Lexique · Frameworks / outils IA

Hugging Face : définition, Hub, bibliothèques et usages

La plateforme et l'écosystème open source où se partagent les modèles, les datasets et les démos de l'IA : histoire, Hub, bibliothèques transformers, datasets, PEFT ou TRL, et exemple de code.

Par Équipe Blent· Mis à jour le · 14 min de lecture· Niveau intermédiaire

Hugging Face en bref

Type
Plateforme et éditeur open source d'IA
Fondation
2016
Fondateurs
Clément Delangue, Julien Chaumond, Thomas Wolf
Implantation
New York et Paris
Produit phare
Le Hub : modèles, datasets et Spaces
Bibliothèque emblématique
transformers (licence Apache 2.0)

Définition : Hugging Face

Hugging Face est une entreprise franco-américaine fondée en 2016 par Clément Delangue, Julien Chaumond et Thomas Wolf, devenue la principale plateforme de partage de l'intelligence artificielle open source. Son Hub héberge des modèles pré-entraînés, des jeux de données et des applications de démonstration appelées Spaces, consultables et téléchargeables par tous. L'entreprise développe aussi des bibliothèques Python de référence, dont transformers pour utiliser et entraîner des modèles, datasets pour charger des données, diffusers pour la génération d'images, ainsi que PEFT et TRL pour le fine-tuning des LLM. Elle propose enfin des services payants d'hébergement et d'inférence.

En une phrase : Hugging Face est à la fois le grand dépôt public des modèles d'IA ouverts et la boîte à outils Python pour les utiliser.

Dans cette définition

Qu'est-ce que Hugging Face ?

Hugging Face est l'endroit où la communauté de l'IA publie, trouve et réutilise des modèles. Pour un ingénieur, c'est à la fois un catalogue en ligne, le Hub, et un ensemble de bibliothèques Python qui permettent d'exploiter ce catalogue en quelques lignes de code.

L'entreprise a été fondée en 2016 par trois Français, Clément Delangue, Julien Chaumond et Thomas Wolf. Elle développait à l'origine une application de chatbot grand public destinée aux adolescents. Le tournant a lieu en 2018 : l'équipe publie en open source un portage PyTorch du modèle BERT de Google, qui rencontre un succès immédiat. Ce projet devient la bibliothèque transformers, et l'entreprise se réoriente vers l'outillage open source. Le Hub s'ouvre ensuite aux modèles, aux datasets puis aux applications de démonstration.

Hugging Face occupe aujourd'hui une position centrale dans l'IA ouverte. La plupart des modèles de fondation à poids ouverts y sont publiés par leurs éditeurs, et l'entreprise a piloté des projets de recherche collaboratifs comme BigScience, qui a produit le modèle multilingue BLOOM en 2022. Son siège est à New York, mais une grande partie de ses équipes travaille depuis Paris.

En septembre 2026, NVIDIA a annoncé un accord pour racheter Hugging Face, dont la finalisation est attendue en 2027 sous réserve des autorisations réglementaires. NVIDIA s'est engagé à conserver une plateforme ouverte, qui continue d'accueillir les modèles de tous les éditeurs sans imposer son matériel. L'entreprise, son histoire et son modèle économique sont détaillés dans la fiche Hugging Face des acteurs de l'IA.

À retenir : Hugging Face n'est pas un modèle. C'est la plateforme et la boîte à outils qui rendent les modèles ouverts accessibles, testables et adaptables.

Comment utiliser Hugging Face dans un projet IA ?

Du choix d'un modèle à sa mise en production, Hugging Face intervient à chaque étape. Voici le parcours type d'une équipe qui construit une application à partir d'un modèle ouvert.

  1. Trouver un modèle sur le Hub

    On filtre le Hub par tâche, langue, taille ou licence. La fiche du modèle (model card) précise ses données d'entraînement, ses performances, ses limites et ses conditions d'utilisation.

  2. Le tester sans installer

    Le widget d'inférence de la page du modèle ou un Space de démonstration permettent de juger rapidement de sa qualité sur quelques exemples.

  3. Le charger en Python

    Avec transformers, une ligne suffit à télécharger poids et tokenizer, puis à exécuter le modèle localement, sur CPU ou GPU.

  4. L'adapter à ses données

    Les bibliothèques datasets, PEFT et TRL servent à préparer un jeu d'exemples puis à fine-tuner le modèle, par exemple avec LoRA, sans réentraîner tous ses paramètres.

  5. Le partager

    Le modèle adapté est publié sur le Hub, en dépôt public ou privé, avec sa model card, son historique de versions et ses métriques.

  6. Le déployer

    Il peut ensuite être servi par Inference Endpoints, l'offre managée de Hugging Face, ou par un serveur d'inférence auto-hébergé comme vLLM.

Le Hub : modèles, datasets et Spaces

Le Hub fonctionne comme un GitHub dédié à l'IA. Chaque élément est un dépôt Git, versionné, avec une page de présentation et des droits d'accès publics ou privés.

  • Models : plusieurs millions de modèles, des classifieurs de quelques mégaoctets aux LLM de plusieurs centaines de milliards de paramètres. Chaque dépôt contient les poids (de préférence au format sécurisé safetensors), la configuration, le tokenizer et une model card qui documente usages, limites et licence.
  • Datasets : des jeux de données de texte, d'images, d'audio ou tabulaires, avec un aperçu dans le navigateur et un chargement direct par la bibliothèque datasets.
  • Spaces : de petites applications web, construites avec Gradio, Streamlit ou Docker, qui permettent d'essayer un modèle sans rien installer.

Autour du Hub, Hugging Face propose des services payants : Inference Endpoints pour déployer un modèle sur une infrastructure dédiée et managée, une inférence serverless qui s'appuie sur des fournisseurs partenaires, et une offre entreprise pour la gestion des droits, la conformité et les dépôts privés.

Les bibliothèques de l'écosystème

Le succès de Hugging Face tient autant à ses bibliothèques qu'à son Hub. Elles partagent les mêmes conventions et s'enchaînent naturellement.

BibliothèqueRôleExemple d'usage
transformersCharger, exécuter et entraîner des modèlesGénérer du texte, classifier, extraire des entités
tokenizersTokenisation rapide, écrite en RustDécouper un corpus, entraîner un tokenizer
datasetsCharger et transformer des jeux de donnéesPréparer des exemples d'entraînement
diffusersModèles de diffusionGénérer ou retoucher des images
PEFTFine-tuning efficace en paramètresAdapter un LLM avec LoRA
TRLEntraînement par renforcement et alignementFine-tuning supervisé, DPO, RLHF
accelerateExécution distribuée et multi-GPUEntraîner sur plusieurs GPU sans réécrire le code
huggingface_hubInteraction avec le HubTélécharger, publier, gérer des dépôts

La bibliothèque transformers est le point d'entrée : son nom vient de l'architecture Transformer, qui équipe la quasi-totalité des modèles de langage actuels. Pour l'adaptation des modèles, PEFT et TRL constituent la base de la plupart des recettes de fine-tuning de LLM, y compris celles d'outils comme Unsloth.

Exemple : pipeline() en quelques lignes

La fonction pipeline() masque toute la mécanique (téléchargement des poids, tokenisation, inférence, décodage) derrière une interface unique.

python
from transformers import pipeline

# Analyse de sentiment multilingue
classifier = pipeline(
    "sentiment-analysis",
    model="cardiffnlp/twitter-xlm-roberta-base-sentiment",
)
print(classifier("La formation était claire et très concrète."))

# Génération de texte avec un petit LLM conversationnel
generator = pipeline("text-generation", model="Qwen/Qwen2.5-0.5B-Instruct")
messages = [{"role": "user", "content": "Explique ce qu'est un token en une phrase."}]
result = generator(messages, max_new_tokens=80)
print(result[0]["generated_text"][-1]["content"])

Au premier appel, les poids sont téléchargés depuis le Hub puis mis en cache localement. Le second exemple passe directement une liste de messages : le pipeline applique le modèle de chat propre au modèle choisi et renvoie la conversation complétée par la réponse de l'assistant. Changer de modèle revient à modifier la chaîne model, ce qui facilite les comparaisons.

Charger un jeu de données est tout aussi direct :

python
from datasets import load_dataset

dataset = load_dataset("stanfordnlp/imdb", split="train")
print(dataset[0]["text"][:200], dataset[0]["label"])

Que peut-on faire avec Hugging Face ?

Hugging Face couvre l'ensemble du cycle de vie d'un modèle ouvert, de la recherche à la démonstration et au déploiement.

  • Choisir un modèle ouvert

    Comparer des LLM, des modèles d'embedding ou de vision avant de les intégrer à une application.

  • Prototyper une tâche NLP

    Classification, extraction d'entités, résumé ou traduction en quelques lignes avec pipeline().

  • Fine-tuner un LLM

    Adapter un modèle à un domaine ou à un format de réponse avec PEFT et TRL.

  • Partager des données

    Publier et versionner un jeu de données, puis le charger en une ligne dans un pipeline d'entraînement.

  • Publier une démo

    Mettre en ligne une interface Gradio ou Streamlit dans un Space, sans gérer de serveur.

  • Générer des images

    Utiliser et adapter des modèles de diffusion avec la bibliothèque diffusers.

Quels sont les avantages de Hugging Face ?

Hugging Face s'est imposé parce qu'il a standardisé la façon de partager et d'utiliser les modèles.

  • Un catalogue de plusieurs millions de modèles, des plus petits aux LLM de référence.
  • Une interface Python unifiée : changer de modèle revient souvent à changer une chaîne de caractères.
  • Des bibliothèques open source maintenues, documentées et intégrées entre elles.
  • Des fiches de modèles et de datasets qui documentent licences, limites et usages prévus.
  • Une forte intégration avec l'écosystème : PyTorch, LangChain, vLLM, Ollama, outils MLOps.
  • Un accès gratuit pour l'essentiel des usages, avec des offres payantes pour l'hébergement privé et l'inférence.

Quelles sont les limites de Hugging Face ?

L'abondance du Hub a son revers : tout ce qui y est publié n'est ni fiable, ni utilisable librement.

  • La qualité des modèles et des datasets est très hétérogène et souvent peu vérifiée.
  • Les licences varient d'un modèle à l'autre et certaines restreignent l'usage commercial.
  • Charger un fichier de poids non sûr ou du code distant (trust_remote_code) présente un risque de sécurité.
  • transformers privilégie la flexibilité à la performance : pour servir un LLM à grande échelle, un moteur dédié est préférable.
  • Les modèles volumineux imposent des téléchargements de plusieurs dizaines de gigaoctets et des GPU adaptés.
  • La dépendance à une plateforme centrale pose des questions de disponibilité et de souveraineté pour certains projets.

Hugging Face, Ollama et vLLM : quelle place pour chacun ?

Ces trois noms reviennent dans tous les projets à base de modèles ouverts, mais ils ne jouent pas le même rôle.

CritèreHugging FaceOllamavLLM
NaturePlateforme de partage et bibliothèquesOutil d'exécution localeMoteur d'inférence et de serving
Usage principalTrouver, tester, adapter des modèlesFaire tourner un LLM sur un posteServir un LLM à de nombreux utilisateurs
InterfaceSite web et bibliothèques PythonLigne de commande et API RESTAPI compatible OpenAI
Matériel viséCPU ou GPU, selon le modèleOrdinateur personnel, GPU facultatifServeurs GPU
Fine-tuningOui (PEFT, TRL)NonNon

En pratique, un modèle est souvent repéré et adapté avec Hugging Face, testé en local avec Ollama, puis servi en production avec vLLM.

Quand passer par Hugging Face ?

Hugging Face est le point d'entrée naturel des modèles ouverts. La question est plutôt de savoir quelle partie de son écosystème utiliser.

Pertinent si

Hugging Face est le bon choix

  • Vous voulez utiliser ou comparer des modèles ouverts.
  • Vous devez fine-tuner un modèle sur vos propres données.
  • Vous cherchez un dataset public pour entraîner ou évaluer.
  • Vous souhaitez montrer rapidement une démo à des utilisateurs.
Moins adapté si

Un autre outil est plus adapté

  • Vous consommez uniquement un modèle propriétaire par API.
  • Vous devez servir un LLM à fort trafic : préférez un moteur comme vLLM.
  • Vous voulez juste exécuter un modèle sur votre poste : Ollama est plus simple.
  • Vos contraintes interdisent tout téléchargement depuis une plateforme externe.

Outils et alternatives autour de Hugging Face

Hugging Face s'insère dans une chaîne d'outils : ceux qui consomment ses modèles, ceux qui les servent, et ceux qui les adaptent.

Les concepts à connaître pour bien utiliser Hugging Face

Le Hub et ses bibliothèques mobilisent quelques notions clés de l'IA moderne.

Ressources pour approfondir Hugging Face

Trois articles pour passer de l'utilisation d'un modèle du Hub à son adaptation.

Questions fréquentes

Questions fréquentes

L'essentiel l'est : consulter et télécharger les modèles publics, utiliser les bibliothèques open source et héberger des dépôts publics. Des offres payantes existent pour les dépôts privés à grande échelle, le matériel plus puissant dans les Spaces, les fonctionnalités entreprise et l'inférence managée.

Expertise

À propos de l'auteur

Équipe Blent

Les ingénieurs et mentors Blent conçoivent, évaluent et mettent en production des applications LLM, et forment chaque année des centaines de professionnels à l'IA générative.

Sources et méthodologie

  • Documentation officielle Hugging Face (Hub, transformers, datasets, PEFT, TRL)
  • Wolf et al., Transformers: State-of-the-Art Natural Language Processing, EMNLP 2020
  • Retours d'expérience des projets et formations Blent
Lexique

Explorer le lexique

Voir toutes les définitions