# Partage

Le [Hub](https://hf.co/models) de Hugging Face est une plateforme permettant de partager, de découvrir et d’utiliser des modèles de toutes sortes et de toutes tailles. Nous vous recommandons vivement de partager votre modèle sur le Hub afin de faire progresser le machine learning open source pour tous !

Ce guide vous montre comment partager un modèle sur le Hub depuis Transformers.

## Configuration

Pour partager un modèle sur le Hub, vous avez besoin d'un [compte](https://hf.co/join) Hugging Face. Créez un [User Access Token](https://hf.co/docs/hub/security-tokens#user-access-tokens) (stocké par défaut dans le [cache](./installation#cache-directory)) et connectez-vous à votre compte depuis la ligne de commande ou un notebook.

```bash
hf auth login
```

```py
from huggingface_hub import notebook_login

notebook_login()
```

## Fonctionnalités du dépôt

Chaque dépôt de modèle propose la gestion des versions, l’historique des commits et la visualisation des différences.

    

Le versionnement est basé sur [Git](https://git-scm.com/) et [Git Large File Storage (LFS)](https://git-lfs.github.com/), et il permet les révisions, un moyen de spécifier une version de modèle par un hachage de commit, une étiquette ou une branche.

Par exemple, utilisez le paramètre `revision` dans [from_pretrained()](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.PreTrainedModel.from_pretrained) pour charger une version spécifique d'un modèle à partir d'un hachage de commit.

```py
model = AutoModel.from_pretrained(
    "julien-c/EsperBERTo-small", revision="4c77982"
)
```

Charger depuis une branche ou une étiquette fixe chaque fichier de cet appel sur un commit, puis récupère tous les fichiers depuis ce commit.

Ce pin n’est valable que pour l’appel en cours. Pour garantir la reproductibilité d’une exécution à l’autre, transmettez un hachage de commit explicite ou une étiquette que vous considérez comme fixe. Ne comptez pas sur `main` ou une autre branche évolutive pour rester figée entre les exécutions.

Les dépôts de modèles prennent également en charge le [gating](https://hf.co/docs/hub/models-gated) pour contrôler qui peut accéder à un modèle. Le gating est couramment utilisé pour permettre à un groupe restreint d'utilisateurs de prévisualiser un modèle de recherche avant sa mise en ligne publique.

    

Un dépôt de modèles inclut également un [widget](https://hf.co/docs/hub/models-widgets) d'inférence permettant aux utilisateurs d'interagir directement avec un modèle sur le Hub.

Consultez la documentation [Models](https://hf.co/docs/hub/models) du Hub pour plus d’informations.

## Téléchargement d'un modèle

Plusieurs méthodes permettent de téléverser un modèle sur le Hub, selon vos préférences de flux de travail. Vous pouvez pousser un modèle avec [Trainer](/docs/transformers/v5.23.0/fr/main_classes/trainer#transformers.Trainer), appeler [push_to_hub()](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.utils.PushToHubMixin.push_to_hub) directement sur un modèle, ou utiliser l’interface web du Hub.

### Trainer

[Trainer](/docs/transformers/v5.23.0/fr/main_classes/trainer#transformers.Trainer) peut envoyer un modèle directement sur le Hub après l'entraînement. Définissez `push_to_hub=True` dans [TrainingArguments](/docs/transformers/v5.23.0/fr/main_classes/trainer#transformers.TrainingArguments) et transmettez-le à [Trainer](/docs/transformers/v5.23.0/fr/main_classes/trainer#transformers.Trainer). Une fois l'entraînement terminé, appelez [push_to_hub()](/docs/transformers/v5.23.0/fr/main_classes/trainer#transformers.Trainer.push_to_hub) pour téléverser le modèle.

[push_to_hub()](/docs/transformers/v5.23.0/fr/main_classes/trainer#transformers.Trainer.push_to_hub) ajoute automatiquement des informations utiles, telles que les hyperparamètres d’entraînement et les résultats, à la carte du modèle.

```py
from transformers import TrainingArguments, Trainer

training_args = TrainingArguments(output_dir="my-awesome-model", push_to_hub=True)
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=small_train_dataset,
    eval_dataset=small_eval_dataset,
    compute_metrics=compute_metrics,
)
trainer.push_to_hub()
```

Pour téléverser le modèle dans un dépôt privé, définissez `hub_private_repo=True` dans [TrainingArguments](/docs/transformers/v5.23.0/fr/main_classes/trainer#transformers.TrainingArguments). Si le dépôt n'a pas encore été créé (par exemple, lorsque `push_to_hub=False` dans [TrainingArguments](/docs/transformers/v5.23.0/fr/main_classes/trainer#transformers.TrainingArguments)), vous pouvez également passer `private=True` à [push_to_hub()](/docs/transformers/v5.23.0/fr/main_classes/trainer#transformers.Trainer.push_to_hub) à la place. L'argument `private` n'a d'effet que lors de la création du dépôt, il ne modifie donc pas la visibilité d'un dépôt existant.

```py
trainer.push_to_hub(private=True)
```

### PushToHubMixin

[PushToHubMixin](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.utils.PushToHubMixin) fournit la fonctionnalité permettant de pousser un modèle ou un tokeniseur vers le Hub.

Appelnez [push_to_hub()](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.utils.PushToHubMixin.push_to_hub) directement sur un modèle pour le téléverser sur le Hub. Il crée un dépôt sous votre espace de noms avec le nom du modèle spécifié dans [push_to_hub()](/docs/transformers/v5.23.0/fr/main_classes/model#transformers.utils.PushToHubMixin.push_to_hub).

```py
model.push_to_hub("my-awesome-model")
```

D'autres objets, comme un tokenizer, sont également poussés sur le Hub de la même manière.

```py
tokenizer.push_to_hub("my-awesome-model")
```

Votre profil Hugging Face doit maintenant afficher le dépôt de modèle nouvellement créé. Accédez à l’onglet **Files** pour voir tous les fichiers téléversés.

Reportez-vous au guide [Téléverser des fichiers sur le Hub](https://hf.co/docs/hub/how-to-upstream) pour plus d’informations sur la poussée de fichiers vers le Hub.

### Interface web du Hub

L'interface web du Hub est une approche sans code pour téléverser un modèle.

1. Créez un nouveau dépôt en sélectionnant [**Nouveau modèle**](https://huggingface.co/new).

    

Ajoutez quelques informations sur votre modèle :

- Sélectionnez le **propriétaire** du dépôt. Il peut s'agir de vous-même ou de l'une des organisations auxquelles vous appartenez.
- Choisissez un nom pour votre modèle, qui servira également de nom de dépôt.
- Choisissez si votre modèle est public ou privé.
- Définissez l'utilisation de la licence.

2. Cliquez sur **Créer un modèle** pour créer le dépôt du modèle.

3. Sélectionnez l’onglet **Fichiers** et cliquez sur le bouton **Ajouter un fichier** pour glisser-déposer un fichier dans votre dépôt. Ajoutez un message de commit et cliquez sur **Commit changes to main** pour engager le fichier.

    

## Fiche du modèle

Les [fiches de modèle](https://hf.co/docs/hub/model-cards#model-cards) informent les utilisateurs sur les performances, les limites, les biais potentiels et les considérations éthiques d'un modèle. Il est vivement recommandé d'ajouter une fiche de modèle à votre dépôt !

Une carte de modèle est un fichier `README.md` dans votre dépôt. Ajoutez ce fichier en procédant ainsi :

- créer et téléverser manuellement un fichier `README.md`
- en cliquant sur le bouton **Modifier la carte du modèle** dans le dépôt

Consultez la [fiche modèle](https://huggingface.co/meta-llama/Meta-Llama-3.1-8B-Instruct) de Llama 3.1 pour un exemple de ce qu’il faut inclure dans une fiche modèle.

En savoir plus sur les autres métadonnées de carte de modèle (émissions de carbone, licence, lien vers l'article, etc.) disponibles dans le guide [Model Cards](https://hf.co/docs/hub/model-cards#model-cards).

