Hugging Face功能介绍，及在线体验当前顶级文生图模型Flux

Hugging Face简介

对于非机器学习或深度学习领域的人士来说，Hugging Face这个名字可能并不耳熟。然而，随着近年来大规模模型的迅速崛起，相信大家或多或少都有所接触。如果你对这一领域感兴趣，并在GitHub上查阅过一些开源资料，那么你一定会频繁地看到Hugging Face的身影。例如，在DeepSeek-V3的GitHub项目中，下载的栏目就出现了Hugging Face链接。

正如Hugging Face的名字所寓意的那样（意为“拥抱的脸”），其标志设计同样别具一格，极具辨识度。🤗

那么，Hugging Face Hub 究竟是何方神圣呢？

Hugging Face Hub 是一个庞大的平台，汇聚了超过 90 万个模型、20 万个数据集以及 30 万个演示应用程序（Spaces）。这些资源全部开源，并在在线平台上公开共享，使人们能够轻松协作，共同推动机器学习的发展。Hub 作为一个核心枢纽，为所有人提供了一个探索、实验、协作并利用机器学习技术构建创新的空间。

简而言之，Hugging Face 堪称 AI 领域的 GitHub，是一个开源的机器学习社区与平台。你可以将其想象成一个巨大的 AI 模型商店，里面陈列着琳琅满目的现成 AI 模型，从翻译助手到图像生成器，无所不包！

打开Hugging Face的官网，非常简洁，右侧列举的几个比较热门的模型。

Hugging Face平台上主要包含以下类型的资源：

• 模型 (Models)：Hugging Face托管了大量的开源机器学习模型，这些模型适用于各种任务，包括自然语言处理 (NLP)、计算机视觉和音频。这些模型不仅包括预训练的模型，也包括经过微调的模型。用户可以浏览、下载并使用这些模型，并且可以直接在浏览器中使用模型进行推理。

• 数据集 (Datasets)：该平台托管了超过 20 万个数据集，涵盖了各种领域和模式。这些数据集可用于各种任务，包括 NLP、计算机视觉和音频。用户可以轻松地查找、下载和上传数据集，并且可以直接在浏览器中浏览数据集的内容。

• Spaces (应用程序演示)：Spaces 提供了一种简单的方式来托管机器学习演示应用程序。用户可以使用 Gradio 和 Streamlit 等 Python SDK 构建交互式应用程序，并将其托管在 Spaces 上。
  • 用户可以创建自己的 ML 作品集，展示项目并与其他人协作。
  • Spaces 还支持用户创建静态 Spaces，使用简单的 HTML/CSS/JavaScript 页面。

尝试一下热度榜一的Kokoro TTS，选择中文，输入一段文字，点击生成按钮，读音非常清晰，推荐大家尝试一下。

audio.wav，需要登录语雀试听

代码体验Flux文生图模型

模型界面也提供了在线体验的代码，以当下非常火的文生图模型Flux为例，进入模型主页，点击“View Code”

需要关注的就是“Copy”按钮和“Manage tokens”，将代码复制下来，另外需要创建一个Token替换掉其中的xxxx才能使用。

from huggingface_hub import InferenceClient
client = InferenceClient("black-forest-labs/FLUX.1-dev", token="hf_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx")# output is a PIL.Image object
image = client.text_to_image("Astronaut riding a horse")

点击“Manage tokens”后需要登录，点击“Create new Token”

点击“Write”，写一个名称，最好使用英文名称，中文我没有尝试，并不保证一定可行。

复制你创建的Token，然后点击“Done”即可。（此Token作为演示使用，发布文章时已删除，请自行创建Token）

为了更直观地使用，我使用Gradio封装了一层，有一个web ui启动界面，代码如下。（程序中的Token作为演示使用，发布文章时已删除，请自行创建Token并替换）

from huggingface_hub import InferenceClient
import gradio as gr# 创建全局的client实例，避免重复创建
client = InferenceClient("black-forest-labs/FLUX.1-dev", token="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"
)def generate_image(prompt, width, height, progress=gr.Progress()):"""使用Flux生成图像的函数"""try:# 检查提示词是否为空if not prompt.strip():raise ValueError("提示词不能为空！")progress(0.3, desc="正在连接服务器...")progress(0.6, desc="正在生成图像...")image = client.text_to_image(prompt, width=width, height=height)progress(1.0, desc="生成完成！")return imageexcept Exception as e:# 返回错误信息raise gr.Error(f"生成图像时出错：{str(e)}")# 创建Gradio界面
demo = gr.Interface(fn=generate_image,inputs=[gr.Textbox(label="输入你的提示词", placeholder="例如：a beautiful girl"),gr.Slider(minimum=256, maximum=1024, value=512, step=64, label="图像宽度"),gr.Slider(minimum=256, maximum=1024, value=512, step=64, label="图像高度"),],outputs=gr.Image(label="生成的图像"),title="Flux AI 文生图",description="使用Flux AI模型生成图像",examples=[["A cute cat", 512, 512],["Beach view at sunset", 768, 512],["Futuristic city streets", 512, 768]]
)if __name__ == "__main__":demo.launch()

界面和测试效果如下，可以更改图像长度、宽度，提示词方面我提供了三组示例。（因为此项目太过火热，能不能生成成功还要看脸）

下期我将写一篇文章讲讲如何本地部署Flux（已经测试成功了，感叹该模型的精细程度，尤其AI绘图经常翻车的手部，目前未整理文章），感兴趣的朋友们点个赞鼓励一下吧。