Huggingface

La skill hugging-science vous aide à trouver et utiliser des ressources d’IA scientifique issues du catalogue Hugging Science et de l’organisation Hugging Face `hugging-science`. Elle convient aux travaux en biologie, chimie, climat, génomique, science des matériaux, astronomie et domaines proches, lorsque vous avez besoin d’un dataset, d’un modèle, d’un Space ou d’un article de blog réellement exploitable ou citable. Utilisez-la pour des workflows d’usage de hugging-science et de guide hugging-science plutôt qu’une recherche générique.

Utilisez transformers-js pour exécuter des modèles ML en JavaScript et TypeScript, dans le navigateur comme côté serveur. La skill transformers-js couvre l’installation, le chargement des modèles, la mise en cache, la configuration et l’usage pratique de transformers-js pour les tâches de texte, de vision, d’audio et multimodales, ainsi que transformers-js pour la génération de code avec les modèles de text-generation pris en charge.

huggingface-vision-trainer vous aide à installer et utiliser un skill Hugging Face pour des tâches d’entraînement vision : détection d’objets, classification d’images et segmentation SAM/SAM2. Il couvre la préparation des jeux de données, la configuration de GPU cloud, l’évaluation, la journalisation avec Trackio et l’envoi des résultats sur le Hub. Idéal pour l’automatisation backend et les workflows d’entraînement reproductibles.

Le skill huggingface-tool-builder vous aide à créer des outils en ligne de commande réutilisables pour travailler avec l’API Hugging Face, plutôt que de recourir à des prompts jetables. Il est utile pour enchaîner des appels d’API, effectuer des traitements intermédiaires, mettre en place des étapes de récupération et d’enrichissement répétables, et piloter des workflows de développement d’API avec shell, Python ou TSX.

huggingface-trackio aide à suivre les entraînements ML avec Trackio. Utilisez ce skill pour enregistrer des métriques depuis Python, ajouter des alertes d'entraînement et récupérer ou analyser des runs avec la CLI trackio. Il prend en charge des tableaux de bord en temps réel, la synchronisation avec Hugging Face Space et la sortie JSON pour l’automatisation, ce qui rend huggingface-trackio utile pour le suivi d’expériences et l’analyse de données.

huggingface-papers vous aide à lire les pages de papiers Hugging Face en Markdown et à extraire des métadonnées structurées depuis l’API des papers, notamment les auteurs, les modèles liés, les jeux de données, les Spaces, les dépôts GitHub et les pages de projet. Utilisez-le pour les URL de pages de papiers Hugging Face, les URL ou identifiants arXiv, ainsi que pour des workflows de recherche académique qui exigent des preuves issues de la page du papier.

huggingface-paper-publisher aide à publier et gérer des articles de recherche sur le Hugging Face Hub. Servez-vous-en pour indexer des articles arXiv, relier des papiers à des modèles ou des jeux de données, vérifier l’attribution des auteurs et créer des articles de recherche en Markdown à l’aide de modèles adaptés à la rédaction technique.

huggingface-llm-trainer vous aide à entraîner ou affiner des modèles de langage et de vision sur Hugging Face Jobs avec TRL ou Unsloth. Utilisez ce skill huggingface-llm-trainer pour le SFT, le DPO, le GRPO, le reward modeling, la vérification des jeux de données, le choix du GPU, la sauvegarde sur Hub, le suivi Trackio et l’export GGUF dans des workflows de développement backend.

huggingface-local-models vous aide à trouver des modèles Hugging Face exécutables en local avec llama.cpp et GGUF, à choisir une quantification adaptée, puis à les lancer sur CPU, Apple Metal, CUDA ou ROCm. Le guide couvre la découverte des modèles, la recherche exacte des fichiers GGUF, la configuration en mode serveur ou en ligne de commande, ainsi qu’un chemin rapide pour le développement backend et l’inférence locale privée.

huggingface-community-evals vous aide à lancer स्थानीयement des évaluations de modèles du Hugging Face Hub avec inspect-ai ou lighteval. Servez-vous-en pour choisir le backend, effectuer des tests de fumée et disposer d’un guide pratique pour vLLM, Transformers ou accelerate. Ne convient pas à l’orchestration HF Jobs, aux PR de model-card, à la publication de .eval_results ni à l’automatisation de community-evals.

Utilisez le skill huggingface-datasets pour les workflows de l’API Hugging Face Dataset Viewer afin de valider des datasets, résoudre les splits, prévisualiser et paginer les lignes, rechercher du texte, appliquer des filtres, et récupérer des liens Parquet ou des statistiques. C’est un guide pratique huggingface-datasets pour explorer des datasets en lecture seule.

La skill huggingface-best vous aide à trouver le meilleur modèle pour une tâche en consultant les classements de benchmarks de Hugging Face et en filtrant selon les limites de l’appareil et la taille du modèle. Utilisez-la pour obtenir des recommandations de modèles en codage, raisonnement, chat, OCR, RAG, voix, vision ou multimodalité lorsque vous avez besoin d’une short-list pratique, pas d’une liste générique de modèles.

huggingface-gradio vous aide à créer et modifier des interfaces web Gradio en Python pour des démonstrations, des chatbots et des workflows de développement frontend. Utilisez le skill huggingface-gradio pour choisir les composants, brancher les événements et structurer les mises en page avec moins d’hésitation.

La compétence hf-cli vous aide à utiliser la CLI du Hugging Face Hub (`hf`) pour l’authentification, les téléchargements, les envois, la gestion des dépôts et des buckets, l’inspection des jeux de données et des modèles, ainsi que d’autres workflows du Hub. Elle est utile aux équipes de Backend Development qui veulent un usage reproductible et scriptable de hf-cli, avec un guide pratique de hf-cli.

Le skill transformers vous aide à utiliser Hugging Face Transformers pour le chargement de modèles, l’inférence, la tokenisation et le fine-tuning. C’est un guide pratique de transformers pour les tâches de machine learning, couvrant le texte, la vision, l’audio et les workflows multimodaux, avec des parcours clairs pour démarrer vite avec une base simple ou aller vers un entraînement personnalisé.