# Documentação do Hugging Face Hub O Hugging Face Hub é a plataforma de referência em IA para ML aberto. Ele hospeda mais de 2 milhões de modelos, 1,5 milhão de conjuntos de dados e 1,5 milhão de aplicativos de IA (Spaces), todos abertos e publicamente disponíveis. Além da IA aberta, o Hub também é uma excelente plataforma de colaboração para equipes internas e privadas. Explore, experimente, colabore e construa, tudo em um só lugar! 🤗 Assinaturas e Planos Assinatura PRO Planos para Equipes e Empresas Login Único (SSO) Logs de Auditoria Regiões de Armazenamento Data Studio para conjuntos de dados privados Grupos de Recursos Segurança Avançada Gerenciamento de Tokens Segurança de Rede Limites de Taxa Repositórios Primeiros passos Configurações do repositório Limites de armazenamento Backend de armazenamento (Xet) Cache local Pull requests e Discussões Notificações Coleções Webhooks Próximos passos Licenças Modelos O Hub de Modelos Cartões de Modelos Resultados de Avaliação Modelos Restritos Upload de Modelos Download de Modelos Bibliotecas Tarefas Widgets Provedores de Inferência Estatísticas de Download Introdução aos Datasets Visão geral dos Datasets Cartões de Datasets Datasets com Acesso Restrito Envio de Datasets Ingestão de Datasets Download de Datasets Streaming de Datasets Edição de Datasets Bibliotecas Data Studio Estatísticas de Download Arquivos de dados Configuração Spaces Introdução Visão geral do Spaces Gradio Spaces HTML estático Spaces Docker Spaces ZeroGPU Spaces Incorpore seu Space Execute com Docker Referência Tópicos avançados Faça login com HF Buckets de Armazenamento new Introdução Buckets vs Repositórios Git Criando um Bucket Gerenciando Arquivos Casos de Uso Segurança & Conformidade Jobs Introdução Visão geral dos Jobs Roteiro de início rápido Treinar modelos Preços Gerenciar Jobs Configuração de Jobs Usando imagens Docker Agendar Jobs Webhooks Automação Referência Introdução a Agentes Visão geral de Agentes Hugging Face CLI para Agentes de IA Hugging Face MCP Server Hugging Face Agent Skills Construindo agentes com o HF SDK Agentes Locais Bibliotecas de Agentes Outras Organizações Cobrança Segurança Moderação Artigos Páginas Academia Hub Artigos do Blog Busca Digital Object Identifier (DOI) Hub Endpoints da API Entrar com HF Código de Conduta do Contribuidor Diretrizes de Conteúdo ## O que é o Hugging Face Hub? Estamos ajudando a comunidade a trabalhar em conjunto rumo ao objetivo de avançar o Machine Learning 🔥. Nenhuma empresa, incluindo os gigantes da tecnologia, conseguirá “resolver a IA” sozinha – a única forma de alcançarmos isso é compartilhando conhecimento e recursos em uma abordagem centrada na comunidade. Estamos construindo a maior coleção open source de modelos, conjuntos de dados e demonstrações no Hugging Face Hub para democratizar e avançar o ML para todos 🚀. Incentivamos você a ler o [Código de Conduta](https://huggingface.co/code-of-conduct) e as [Diretrizes de Conteúdo](https://huggingface.co/content-guidelines) para se familiarizar com os valores que esperamos que os membros da nossa comunidade sigam 🤗. ## O que você pode encontrar no Hub? O Hugging Face Hub hospeda repositórios baseados em Git, que são pastas com controle de versão e podem conter todos os seus arquivos. Para armazenamento de objetos mutáveis sem controle de versão, o Hub também oferece [Storage Buckets](./storage-buckets). Nele, você poderá fazer upload e descobrir... - Modelos: _hospedagem dos modelos mais recentes e avançados para tarefas de LLM, texto, visão e áudio_ - Conjuntos de dados: _apresentando uma grande variedade de dados para diferentes domínios e modalidades_ - Spaces: _aplicativos interativos para demonstrar modelos de ML diretamente no seu navegador_ O Hub oferece **versionamento, histórico de commits, diffs, branches e mais de uma dúzia de integrações com bibliotecas**! Todos os repositórios são construídos sobre o [Xet](./xet/index), uma nova tecnologia para armazenar arquivos grandes de forma eficiente dentro do Git, dividindo os arquivos em chunks únicos de maneira inteligente e acelerando os uploads e downloads. Você pode saber mais sobre os recursos que todos os repositórios compartilham na [**documentação de Repositórios**](./repositories). ## Modelos Você pode descobrir e usar dezenas de milhares de modelos de ML de código aberto compartilhados pela comunidade. Para promover o uso e o desenvolvimento responsáveis de modelos, os repositórios de modelos são equipados com [Model Cards](./model-cards) para informar os usuários sobre as limitações e os vieses de cada modelo. Metadados adicionais, como [metadados](./model-cards#model-card-metadata) sobre tarefas, idiomas e resultados de avaliação, podem ser incluídos, com gráficos de métricas de treinamento adicionados se o repositório contiver [TensorBoard traces](./tensorboard). Também é fácil adicionar um [**inference widget**](./models-widgets) ao seu modelo, permitindo que qualquer pessoa interaja com o modelo diretamente no navegador! Para acesso programático, uma API serverless é fornecida pelos [**Inference Providers**](./models-inference). Para enviar modelos para o Hub, ou baixar modelos e integrá-los ao seu trabalho, explore a [**documentação de Modelos**](./models). Você também pode escolher entre [**mais de uma dúzia de bibliotecas**](./models-libraries) que suportam o Hub, como 🤗 Transformers, Asteroid e ESPnet. ## Conjuntos de dados O Hub abriga mais de 500 mil conjuntos de dados públicos em mais de 8 mil idiomas, que podem ser usados para uma ampla variedade de tarefas em NLP, Visão Computacional e Áudio. O Hub torna simples encontrar, baixar e enviar conjuntos de dados. Os conjuntos de dados são acompanhados por documentação extensa na forma de [**Dataset Cards**](./datasets-cards) e [**Data Studio**](./data-studio) para que você possa explorar os dados diretamente no seu navegador. Embora muitos conjuntos de dados sejam públicos, [**organizações**](./organizations) e indivíduos podem criar conjuntos de dados privados para atender a questões de licenciamento ou privacidade. Você pode saber mais sobre [**Datasets aqui na documentação do Hugging Face Hub**](./datasets-overview). A biblioteca [🤗 `datasets`](https://huggingface.co/docs/datasets/index) permite interagir programaticamente com os conjuntos de dados, para que você possa usar facilmente conjuntos de dados do Hub em seus projetos. Com uma única linha de código, você pode acessar os conjuntos de dados; mesmo que sejam tão grandes que não caibam no seu computador, você pode usar streaming para acessar os dados de forma eficiente. ## Spaces [Spaces](https://huggingface.co/spaces) é uma maneira simples de hospedar aplicativos de demonstração de ML no Hub. Eles permitem que você construa seu portfólio de ML, apresente seus projetos em conferências ou a partes interessadas e trabalhe colaborativamente com outras pessoas no ecossistema de ML. Atualmente, oferecemos suporte a dois SDKs em Python incríveis (**[Gradio](https://gradio.app/)** e **[Streamlit](./spaces-sdks-streamlit)**) que permitem criar aplicativos em poucos minutos. Os usuários também podem criar Spaces estáticos, que são páginas simples de HTML/CSS/JavaScript, ou implantar qualquer aplicativo baseado em Docker. Se você precisa de poder de GPU para suas demonstrações, experimente o [**ZeroGPU**](./spaces-zerogpu): ele fornece dinamicamente GPUs NVIDIA RTX Pro 6000 Blackwell, em tempo real, apenas quando necessário. Depois de explorar alguns Spaces (dê uma olhada no nosso [Space da Semana!](https://huggingface.co/spaces)), acesse a [**documentação dos Spaces**](./spaces-overview) para aprender tudo sobre como criar o seu próprio Space. Você também poderá fazer o upgrade do seu Space para rodar em uma GPU ou em outro hardware acelerado. ⚡️ ## Buckets de Armazenamento Os [Storage Buckets](./storage-buckets) oferecem armazenamento de objetos semelhante ao S3 no Hugging Face, impulsionado pelo backend de armazenamento Xet. Diferentemente dos repositórios (que são baseados em git e rastreiam o histórico de arquivos), os buckets são contêineres de armazenamento de objetos remotos projetados para arquivos em larga escala com deduplicação endereçável por conteúdo. Eles são projetados para casos de uso em que você precisa de armazenamento simples, rápido e mutável, como armazenar checkpoints de treinamento, logs, artefatos intermediários ou qualquer grande coleção de arquivos que não necessite de controle de versão. ## Organizações Empresas, universidades e organizações sem fins lucrativos são uma parte essencial da comunidade do Hugging Face! O Hub oferece [**Organizações**](./organizations), que podem ser usadas para agrupar contas e gerenciar conjuntos de dados, modelos e Spaces. Educadores também podem criar organizações colaborativas para alunos usando [Hugging Face for Classrooms](https://huggingface.co/classrooms). Os repositórios de uma organização serão exibidos na página da organização e todos os membros da organização terão a capacidade de contribuir para o repositório. Além de agrupar convenientemente todo o trabalho de uma organização, o Hub permite que administradores definam papéis para [**controlar o acesso aos repositórios**](./organizations-security) e gerenciar o [método de pagamento e as informações de faturamento](https://huggingface.co/pricing) da organização. Machine Learning é mais divertido quando se colabora! 🔥 [Explore organizações existentes](https://huggingface.co/organizations), crie uma nova organização [aqui](https://huggingface.co/organizations/new) e, em seguida, visite a [**documentação de Organizações**](./organizations) para saber mais. ## Segurança O Hugging Face Hub oferece recursos de segurança e controle de acesso para garantir que seu código, modelos e dados estejam seguros. Consulte a seção [**Segurança**](./security) nestes documentos para saber mais sobre: - Tokens de acesso do usuário - Controle de Acesso para Organizações - Assinando commits com GPG - Verificação de malware