Hugging Face CLI คืออะไร
โดย
เคยไหมที่คุณเจอโมเดล AI สุดเจ๋งบน Hugging Face Hub แต่อยากดาวน์โหลดมาใช้งานบนเครื่องของตัวเองโดยไม่ต้องวุ่นวายกับการเขียนโค้ด Python ยาวๆ? หรือ คุณเพิ่งเสร็จสิ้นกระบวนการเทรนโมเดล (Fine-tuning) แล้วอยากแชร์ผลงานให้คนทั้งโลกได้นำไปใช้บ้าง?
สำหรับนักพัฒนาซอฟต์แวร์และวิศวกร AI ยุคใหม่ การที่ต้องคอยเขียนสคริปต์ Python ทุกครั้งเพื่อโหลดหรืออัปโหลดโมเดลถือเป็นเรื่องที่น่าเบื่อ และ ทำให้กระบวนการทำงานช้าลงโดยไม่จำเป็น Hugging Face CLI จึงถูกสร้างขึ้นมาเพื่อทลายข้อจำกัดนี้ โดยเปลี่ยนการทำงานร่วมกับแพลตฟอร์ม Hub จากการ "เขียนโค้ดหลายบรรทัด" ให้กลายเป็น "การสั่งงานด้วยคำสั่งเดียวจบ"
ในเดือนมิถุนายน 2026 นี้ ทาง Hugging Face ได้ทำการอัปเกรดระบบ CLI ครั้งใหญ่ โดยเปลี่ยนชื่อเรียกคำสั่งให้สั้นลงจากเดิม huggingface-cli มาเป็น hf พร้อมปรับโครงสร้างคำสั่งภายในให้กระชับ และ ใช้งานง่ายขึ้นอย่างมหาศาล
ตอนนี้คุณสามารถใช้คำสั่ง hf จัดการทุกอย่างได้แบบครบวงจร ตั้งแต่การยืนยันตัวตน, การดาวน์โหลดโมเดล, การอัปโหลดงาน, ไปจนถึงการบริหารจัดการ Space และ ระบบเซิร์ฟเวอร์ Inference Endpoints ระดับโปรดักชัน บทความนี้จะพาคุณไปเจาะลึกเครื่องมือบรรทัดคำสั่งตัวใหม่นี้ ตั้งแต่วิธีการติดตั้ง คำสั่งยอดฮิตที่ต้องรู้ไปจนถึงการนำโมเดลขึ้นใช้งานจริง
- ★Hugging Face CLI คืออะไร?
Hugging Face CLI (หรือคำสั่งปัจจุบันคือ hf) คือเครื่องมืออินเทอร์เฟซแบบบรรทัดคำสั่ง (Command Line Interface) ที่ออกแบบมาเพื่อโต้ตอบและทำงานร่วมกับ Hugging Face Hub โดยตรง ช่วยให้นักพัฒนาสามารถบริหารจัดการคลังโมเดล, ชุดข้อมูล (Datasets), พื้นที่เดโม (Spaces) รวมถึงโครงสร้างพื้นฐานอื่นๆ บนแพลตฟอร์มผ่านทางหน้าต่าง Terminal ได้ทันที
💡 หากเปรียบเทียบให้เห็นภาพชัดเจน
⚪ Hugging Face Hub
คือคลัง GitHub ศูนย์กลางของวงการ AI ที่ทำหน้าที่จัดเก็บโมเดลและ Dataset
⚪ Git + Git LFS
คือเครื่องมือเบื้องหลังที่ใช้ควบคุมเวอร์ชัน (Version Control) สำหรับซอร์สโค้ดและไฟล์ขนาดใหญ่
⚪ Hugging Face CLI (hf)
คือ ผู้ช่วยส่วนตัวอัจฉริยะที่คอยรับคำสั่งจากคุณ แล้วไปสั่งการควบคุมระบบ Git, Git LFS และ ส่งคำขอผ่าน HTTP API เบื้องหลังให้แบบอัตโนมัติ
จุดเด่นสำคัญของ hf คือการช่วยลดภาระให้นักพัฒนา ไม่ต้องเสียเวลานั่งศึกษาคำสั่งลึกๆ ของ Git LFS หรือ เขียนสคริปต์เสริมเพื่ออัปโหลดไฟล์ขนาดใหญ่ ตัวอย่างเช่น การเรียกใช้คำสั่ง hf upload ระบบจะดำเนินการ git add, git commit, git push และ จัดลำดับการติดตามไฟล์ขนาดใหญ่ (LFS tracking) ให้เราเสร็จสรรพในขั้นตอนเดียว
- ★Hugging Face CLI ทำงานอย่างไร?
สถาปัตยกรรมการทำงานของระบบ hf CLI ถูกแบ่งออกเป็นชั้นโครงสร้างหลักๆ 4 ส่วนตามรูปแบบการจัดการทรัพยากรบน Hub:
1) ชั้นการยืนยันตัวตน (Authentication Layer)
ก่อนที่คุณจะเริ่มสั่งการควบคุมระบบ CLI คุณจำเป็นต้องยืนยันสิทธิ์เข้าใช้งานก่อน โดยคำสั่ง hf จะทำการสร้างรหัสโทเค็น (Authentication Token) นำไปบันทึกเก็บไว้ในแคชของเครื่องปลายทาง (ที่พาธ ~/.cache/huggingface/token) ซึ่งโทเค็นนี้จะถูกเรียกใช้งานโดยอัตโนมัติในทุกๆ คำสั่งหลังจากนั้น ไม่ว่าจะเป็นการดันโค้ดผ่าน git push หรือ การเรียกใช้งาน HTTP API
2) ชั้นห่อหุ้มคำสั่งระบบพัฒนา (Git & Git LFS Wrapper Layer)
เนื่องจากโครงสร้าง Repository บน Hugging Face Hub คือระบบ Git ที่ติดตั้งตัวขยาย Git LFS (Large File Storage) สำหรับรองรับไฟล์ขนาดกิกะไบต์ เมื่อเราสั่งรันคำสั่ง เช่น hf upload หรือ hf repo create ตัวเครื่องมือ CLI จะทำหน้าที่สร้างพื้นที่ Repository ใหม่บนเซิร์ฟเวอร์ปลายทางผ่าน HTTP API, ดำเนินการสั่ง git clone หรือ git init ในโฟลเดอร์เครื่องเรา, ตั้งค่าระบบ Git LFS ให้พร้อมทำงานโดยอัตโนมัติ และดำเนินการจัดเก็บรวมถึงส่งไฟล์ผ่าน git add, git commit และ git push ให้ทันที
3) ชั้นซิงค์และโอนย้ายข้อมูล (File Transfer & Sync Layer)
เครื่องมือ CLI มาพร้อมเทคนิคการส่งข้อมูลถึง 3 รูปแบบ เพื่อรองรับขนาดของไฟล์และวัตถุประสงค์ที่แตกต่างกัน:
3.1) hf upload (โหมดปกติ)
เหมาะสำหรับการส่งไฟล์จำนวนน้อยชิ้น หรือไฟล์ขนาดทั่วไป (Single Commit)
3.2) hf upload-large-folder (โหมดดาวน์โหลดต่อเนื่อง)
ออกแบบมาเพื่อโฟลเดอร์ขนาดใหญ่ระดับหลายกิกะไบต์ หรือ เทราไบต์ มาพร้อมความสามารถในการอัปโหลดต่อจากจุดเดิม (Resumable) ได้ทันทีหากระบบอินเทอร์เน็ตเกิดหลุดระหว่างทาง
3.3) hf buckets sync (โหมดขั้นสูง)
สำหรับสถาปัตยกรรมระดับ Production ที่ต้องการทำซ้ำข้อมูล (Mirror data) ปริมาณมหาศาลร่วมกับระบบจัดเก็บข้อมูลภายนอก (เช่น S3-like bucket)
4) ชั้นสั่งการจากระยะไกล (Remote Procedure Call Layer)
บางคำสั่งที่คุณกรอกลงไป เช่น hf datasets sql หรือ hf endpoints deploy จะไม่ได้ใช้พลังประมวลผลบนเครื่องคอมพิวเตอร์ของคุณ แต่ตัว CLI จะทำการแปลงคำสั่งส่งเป็นคำขอรูปแบบ JSON Request ยิงไปยัง Server API ของ Hugging Face เพื่อสั่งให้เซิร์ฟเวอร์ระบบคลาวด์ปลายทางทำการคำนวณหรือเปิดเครื่องอินสแตนซ์ (Instance) ให้เราแทน
- ★ประเภทของคำสั่งใน Hugging Face CLI
ระบบ CLI เวอร์ชันล่าสุด (hf) ได้ทำการจัดหมวดหมู่คำสั่งอย่างเป็นระบบตามประเภทของทรัพยากร (Resources) ที่ต้องการควบคุม เพื่อความสะดวกในการเรียกใช้งาน ดังนี้ครับ:
🛡️ หมวดหมู่จัดการสิทธิ์ (Authentication)
⚪ คำสั่งที่ใช้งาน: hf auth login, whoami, logout
⚪ หน้าที่และความสามารถ
ใช้สำหรับลงชื่อเข้าใช้งาน จัดการรหัสโทเค็น ตรวจสอบสถานะบัญชีปัจจุบัน หรือลงชื่อออกล้างข้อมูลเซสชัน
📥 หมวดหมู่ดาวน์โหลดข้อมูล (Download)
⚪ คำสั่งที่ใช้งาน : hf download
⚪ หน้าที่และความสามารถ:
ใช้สำหรับดาวน์โหลดโมเดลหรือชุดข้อมูล โดยรองรับการเลือกเวอร์ชันเฉพาะ (Revision), การกรองเฉพาะไฟล์ที่ต้องการหรือข้ามไฟล์ที่ไม่เอา (Include/Exclude Filters) และ การตั้งค่าระบบจัดเก็บแคช
📤 หมวดหมู่อัปโหลดข้อมูล (Upload)
⚪ คำสั่งที่ใช้งาน: hf upload, hf upload-large-folder
⚪ หน้าที่และความสามารถ
ใช้ส่งไฟล์ขึ้นระบบ, สร้างคำขอตรวจสอบโค้ด (Pull Request) ให้โดยอัตนุมัติ หรือเลือกอัปโหลดโฟลเดอร์ยักษ์แบบแบ่งส่วนที่กู้คืนได้เมื่อเน็ตหลุด (Resumable)
🗃️ หมวดหมู่บริหารคลังเก็บงาน (Repo Management)
⚪ คำสั่งที่ใช้งาน : hf repo create , hf repo-files delete
⚪ หน้าที่และความสามารถ : ใช้สั่งสร้างโครงการ (Repository) ใหม่บนหน้าเว็บ หรือสั่งลบไฟล์บางชิ้นออกจากเซิร์ฟเวอร์ Hub ได้โดยตรง โดยที่คุณไม่จำเป็นต้องทำการดาวน์โหลดโครงการนั้นลงมาในเครื่องก่อน
💾 หมวดหมู่บริหารพื้นที่แคช (Cache Management)
⚪ คำสั่งที่ใช้งาน : hf cache list, hf cache prune
⚪ หน้าที่และความสามารถ : ใช้ตรวจสอบและบริหารจัดการพื้นที่ฮาร์ดดิสก์ในเครื่องที่ถูกใช้งานไปกับการดาวน์โหลดโมเดล โดยสามารถสั่งลบไฟล์โมเดลเวอร์ชันเก่าๆ (Revision) ที่ไม่ได้เปิดใช้งานแล้วเพื่อทวงคืนพื้นที่ดิสก์ได้
🧑💻 หมวดหมู่ระบบบริการจริง (Inference Endpoints)
⚪ คำสั่งที่ใช้งาน : hf endpoints deploy, pause, resume
⚪ หน้าที่และความสามารถ : ใช้บริหารเซิร์ฟเวอร์ Production ระดับองค์กร สั่งเปิด-ปิด หรือสั่งพักการทำงานของเซิร์ฟเวอร์ GPU ที่โฮสต์ตัวโมเดล AI สำหรับรับส่งข้อมูลเพื่อรองรับ Request
💻 หมวดหมู่ระบบประมวลผลไร้เซิร์ฟเวอร์ (Spaces & Compute)
⚪ คำสั่งที่ใช้งาน : hf spaces , hf jobs run
⚪ หน้าที่และความสามารถ : ใช้สำหรับสั่งรันงานประมวลผล (เช่น การเทรนโมเดล หรือ การดึงข้อมูลขนาดใหญ่) ในรูปแบบไร้เซิร์ฟเวอร์ (Serverless) รวมถึงควบคุมหน้าแอปพลิเคชันเดโมบน Spaces (ซึ่งในส่วนของ Spaces ยังสามารถเลือกจัดการผ่านคำสั่ง git push รูปแบบโฟลเดอร์ปกติได้โดยตรงเช่นกัน)
🪪 หมวดหมู่จัดการชุดข้อมูล (Datasets)
⚪ คำสั่งที่ใช้งาน : hf datasets sql
⚪ หน้าที่และความสามารถ : ช่วยให้นักพัฒนาสามารถเขียนคำสั่ง SQL เพื่อคิวรีเจาะดูข้อมูลภายในเนื้อ Dataset บนหน้าเว็บ Hub ได้ทันที โดยที่คุณไม่จำเป็นต้องเสียเวลาดาวน์โหลดไฟล์ข้อมูลขนาดใหญ่ทั้งหมดลงมาในเครื่องคอมพิวเตอร์ของคุณ
- ★ประโยชน์ของ Hugging Face CLI
1) ยกระดับความเร็วและความสะดวก (Speed & Convenience)
การทำงานกับ Hugging Face Hub โดยเปลี่ยนมาใช้ CLI ช่วยเร่งความเร็วในกระบวนการพัฒนาได้อย่างมหาศาล ตัวอย่างเช่น:
⚪ ต้องการดาวน์โหลดโมเดล LLM ขนาด 70GB
แทนที่คุณจะต้องมานั่งเขียนโค้ด Python ร่วม 20 บรรทัด คุณสามารถเปลี่ยนมาใช้คำสั่งสั้นๆ อย่าง hf download meta-llama/Llama-3-70B --local-dir ./llama3 บรรทัดเดียวจบ ระบบจะจัดสรรท่อดาวน์โหลดให้เสร็จสรรพ
⚪ ต้องการอัปโหลดงานที่นั่งเทรนมา 3 วัน
เพียงแค่พิมพ์คำสั่ง hf upload my-username/finetuned-bert ./model_folder --commit-message "Fix attention mask bug" ระบบจะจัดแจงส่งไฟล์ และ เคลียร์กระบวนการ git push ให้อัตโนมัติ
2) รองรับระบบอัตโนมัติและสถาปัตยกรรม CI/CD
ตัวคำสั่ง hf CLI ได้รับการออกแบบมาให้สามารถทำงานร่วมกับสคริปต์อัตโนมัติ หรือวางในท่อระบบพัฒนาซอฟต์แวร์ เช่น Jenkins หรือ GitHub Actions ได้อย่างราบรื่น โดยคุณสามารถสั่งล็อกอินเข้าระบบแบบเงียบ (Non-Interactive) ด้วยคำสั่ง hf auth login --token $HF_TOKEN หรือ สั่งรันสคริปต์คิวรี SQL บน Dataset อัตโนมัติผ่านคำสั่ง hf datasets sql "SELECT split, count(*) FROM dataset"
3) บริหารพื้นที่จัดเก็บข้อมูลในเครื่อง (Cache Management)
ปัญหาโลกแตกของสาย AI คือการดาวน์โหลดโมเดลมาทดสอบซ้ำหลายรอบ (เปลี่ยน branch หรือ version) จนฮาร์ดดิสก์เต็ม ฟีเจอร์ hf cache จะเข้ามาช่วยสรุปสถิติ แจกแจงรายละเอียดขนาดไฟล์ และเปิดโอกาสให้คุณเลือกสั่งลบไฟล์โมเดลรุ่นเก่าๆ หรือ เวอร์ชันที่ไม่ได้หยิบมาใช้งานแล้วออกไปได้อย่างปลอดภัย
4) รองรับหลากภาษาและหลายรูปแบบไฟล์
เครื่องมือ CLI รองรับรูปแบบคำสั่งระบุสัญลักษณ์เฉพาะ (Glob Patterns) เช่น --include ".safetensors" เพื่อเลือกเจาะจงดึงเฉพาะไฟล์น้ำหนักโมเดล และมีการทำงานร่วมกับระบบ git-lfs ที่แน่นหนา ช่วยการันตีว่าไฟล์ข้อมูลขนาดใหญ่ (.bin, .safetensors) จะถูกเก็บแยกในท่อ LFS อย่างถูกต้อง ไม่หลุดเข้าไปปะปนในระบบ Git ปกติ
- ★ควรมีความรู้พื้นฐานอะไรมาก่อนบ้าง?
เพื่อให้คุณสามารถใช้งาน Hugging Face CLI ได้อย่างเต็มประสิทธิภาพ แนะนำให้ทำความเข้าใจหัวข้อพื้นฐานเหล่านี้มาก่อนครับ
1) การใช้งานคำสั่งพื้นฐาน (Terminal)
เข้าใจวิธีการใช้คำสั่งทั่วไปบนระบบ Command Line เช่น cd เพื่อเปลี่ยนโฟลเดอร์ และ ls หรือ dir เพื่อส่องดูไฟล์ในไดเรกทอรี
2) ระบบ Git และ Git LFS เบื้องต้น
มีความเข้าใจคอนเซปต์ของการสร้างประวัติเวอร์ชัน เช่น การคัดลอกโครงการ (clone), การดันข้อมูลขึ้นเซิร์ฟเวอร์ (push) และ การบันทึกสถานะ (commit)
3) สภาพแวดล้อมภาษา Python (Python Environment)
รู้จักวิธีการติดตั้งแพ็กเกจผ่าน pip และ การจำลองสภาพแวดล้อม (venv) เนื่องจากระบบเบื้องหลังของ CLI ตัวนี้ใช้ Python ในการขับเคลื่อน
4) บัญชีผู้ใช้งาน Hugging Face
ต้องมีบัญชีสมาชิกบนเว็บไซต์ Hugging Face เรียบร้อยแล้ว และ รู้วิธีการเข้าไปสร้างสิทธิ์รหัส Access Token ของตัวเองจากหน้าตั้งค่าบัญชี
- ★ตัวอย่างการใช้งาน
สมมติว่าคุณต้องการนำโมเดลภาษาชื่อดัง "CamemBERT" มาดาวน์โหลด ทดสอบ และพัฒนาต่อยอดภายในเครื่องคอมพิวเตอร์ของคุณ สามารถทำตามขั้นตอนจริงได้ดังนี้ครับ
1) ขั้นตอนการติดตั้ง (Installation)
วิธีการติดตั้งที่รวดเร็วและแนะนำที่สุดสำหรับปี 2026 คือการใช้โปรแกรมติดตั้งสำเร็จรูป (Standalone Installer) ซึ่งจะแยกตัวอิสระโดยไม่ต้องไปยุ่งเกี่ยวกับระบบ Python หลักของเครื่อง:
⚪ ระบบปฏิบัติการ macOS / Linux : รันคำสั่งผ่าน Terminal
```bash
curl -LsSf https://hf.co/cli/install.sh | sh
```
```
⚪ ระบบปฏิบัติการ Windows
เปิดโปรแกรม PowerShell ด้วยสิทธิ์ผู้ดูแลระบบ (Run as Administrator) แล้วรันคำสั่ง
```bash
powershell -ExecutionPolicy ByPass -c "irm https://hf.co/cli/install.ps1 | iex"
```
(สำหรับผู้ใช้งานเครื่อง Mac หากคุณมีโปรแกรม Homebrew ติดตั้งอยู่แล้ว สามารถสั่งติดตั้งผ่านคำสั่ง brew install hf ซึ่งระบบจะช่วยตรวจเช็ก และ ติดตั้งโปรแกรมพึ่งพาอย่าง Git LFS ให้คุณพร้อมกันทันที)
2) ขั้นตอนการเข้าสู่ระบบ (Login)
```bash
# พิมพ์คำสั่งล็อกอิน ระบบจะเปิดหน้าเว็บเบราว์เซอร์ให้คุณกดกดยืนยันสิทธิ์อัตโนมัติ
hf auth login
# หรือหากใช้ในระบบอัตโนมัติ (CI/CD) สามารถกรอกรหัสโทเค็นพ่วงท้ายได้เลย
hf auth login --token hf_xxxxxxxxxxxxx
# ตรวจสอบสถานะว่าบัญชีเราเชื่อมต่อสำเร็จแล้วหรือยัง
hf auth whoami
```
3) ขั้นตอนการดาวน์โหลดโมเดล (Download)
สำหรับตัวโมเดล CamemBERT มีตัวเลือกคำสั่งสั่งงานดังนี้:
```bash
# ดาวน์โหลดไฟล์โมเดลมาเก็บไว้ในระบบแคชส่วนกลาง (ค่าเริ่มต้น)
hf download camembert/camembert-base
# ดาวน์โหลดไฟล์โมเดลมาแตกไฟล์ลงในโฟลเดอร์ปัจจุบันที่เราทำงานอยู่ตรงๆ
hf download camembert/camembert-base --local-dir ./my-camembert
```
เมื่อคุณกดรันคำสั่ง ตัว CLI จะวิ่งไปดึงไฟล์คอนฟิกอย่าง config.json และ ไฟล์น้ำหนักโมเดลขนาดใหญ่ pytorch_model.bin (ผ่านท่อ LFS) ลงมาจัดเก็บไว้ในเครื่องให้ทันที
4) ขั้นตอนการอัปโหลดโมเดล (Upload)
หลังจากที่คุณนำโมเดลไปทำการเทรนซ้ำ (Fine-tune) จนได้ผลลัพธ์ที่พอใจแล้ว และต้องการส่งงานกลับขึ้นระบบ:
```bash
# สั่งสร้างคลังเก็บงาน (Repository) ใหม่บน Hub ก่อน (ระบุชื่อผู้ใช้ตามด้วยชื่อโปรเจกต์)
hf repo create my-username/camembert-finetuned
# สั่งอัปโหลดไฟล์ทั้งหมดจากโฟลเดอร์ที่เก็บงานพิมพ์เขียวของเราขึ้นสู่ระบบ Hub
hf upload my-username/camembert-finetuned ./my-checkpoint/ . --commit-message "Add trained weights"
```
การทำเช่นนี้จะเป็นการผลักดันโค้ด และ ไฟล์น้ำหนักโมเดลขึ้นสู่คลังเซิร์ฟเวอร์หลักบนหน้าเว็บ Hugging Face Hub ให้คุณโดยอัตโนมัติ
5) การสั่งงานขั้นสูง (Inference Endpoints)
หากโปรเจกต์ของคุณพัฒนาจนพร้อม และ ต้องการแปลงโหมดตัวโมเดล AI ให้กลายเป็นระบบ API ออนไลน์สำหรับรองรับผู้ใช้งานจริงระดับ Production โดยที่คุณไม่ต้องมานั่งตั้งค่าดูแลเซิร์ฟเวอร์เอง สามารถสั่งการได้ดังนี้ครับ:
```bash
# สั่งดีพลอยเปิดบริการ Endpoint โดยเลือกเช่าการ์ดจอ GPU รุ่น T4 ในการประมวลผลเบื้องหลัง
hf endpoints deploy my-camembert-api --repo camembert/camembert-base --accelerator gpu-t4
```
เมื่อระบบคลาวด์ปลายทางทำการจัดเตรียมเครื่องเสร็จสิ้น ตัว CLI จะส่งลิงก์ URL ปลายทางมาให้คุณ (เช่น https://xxx.us-east-1.aws.endpoints.huggingface.cloud) เพื่อนำไปใช้เรียกใช้งานในซอฟต์แวร์จริงได้ทันที
✏️ Shoper Gamer
- ✓Hugging Face คืออะไร? 👇
Credit :
👇
- ●https://huggingface.co/docs/huggingface_hub/guides/cli
- ●https://huggingface.co/docs/hub/agents-cli
- ●https://hub.decision.ai/skills/huggingface/hf-cli
- ●https://huggingface.co/blog/hf-cli-for-agents
- 2
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2026 Blockdit
