使用huggingface_hub清理Hugging Face仓库存储空间的实践指南
2025-06-30 07:14:17作者:余洋婵Anita
背景介绍
在机器学习项目开发过程中,我们经常会在Hugging Face仓库中存储大量模型检查点、数据集文件等大文件。随着项目迭代,这些文件会占用大量存储空间,特别是当它们不再需要时,如何高效清理这些文件就成为了一个重要问题。
问题分析
传统使用git filter-repo工具删除文件的方法存在一个关键问题:虽然文件从git历史记录中被移除,但LFS(大文件存储)系统中的文件仍然保留,导致存储空间未被真正释放。这是因为Hugging Face的存储系统有自己独立的垃圾回收机制。
解决方案演进
初期尝试方案
最初尝试的方案是通过git filter-repo结合super_squash_history来清理文件:
- 将匹配模式的文件替换为1字节内容
- 使用super_squash_history压缩历史
- 完全删除这些1字节指针文件
这种方法虽然有效,但存在两个主要缺点:
- 操作流程复杂,需要多个步骤
- 需要等待垃圾回收系统运行(最长24小时)才能看到存储空间释放
最新推荐方案
随着huggingface_hub 0.30版本的更新,现在提供了直接删除LFS文件的API,这是目前最推荐的解决方案。该方案具有以下优势:
- 操作简单直接
- 立即释放存储空间
- 无需复杂的多步操作
实践操作指南
准备工作
首先需要安装最新版的huggingface_hub工具包:
pip install -U "huggingface_hub[cli]"
然后登录Hugging Face账号:
huggingface-cli login
使用Python脚本批量删除
我们可以编写一个Python脚本来自动化清理过程:
#!/usr/bin/env python3
from getpass import getpass
from fnmatch import fnmatch
from huggingface_hub import HfApi
def clean_repo_files(repo_id, pattern, repo_type="model", token=None, confirm=True):
"""
清理Hugging Face仓库中匹配特定模式的文件
参数:
repo_id: 仓库ID (如"username/repo-name")
pattern: 文件匹配模式 (如"checkpoint-*.pt")
repo_type: 仓库类型 ("model"或"dataset")
token: Hugging Face访问令牌
confirm: 是否要求用户确认
"""
api = HfApi(token=token or getpass("输入Hugging Face访问令牌: "))
# 获取仓库中所有LFS文件列表
lfs_files = api.list_lfs_files(repo_id, repo_type=repo_type)
# 筛选需要删除的文件
files_to_delete = [f for f in lfs_files if fnmatch(f.filename, pattern)]
if confirm:
print(f"将要删除的文件:\n\t{[f.filename for f in files_to_delete]}")
if input("\n确认删除(y/N)? ").lower() != "y":
print("操作已取消")
return
# 执行永久删除
api.permanently_delete_lfs_files(repo_id, files_to_delete, repo_type=repo_type)
print(f"成功删除{len(files_to_delete)}个文件")
使用示例
- 清理模型仓库中所有匹配"checkpoint-*.pt"的文件:
python clean_repo.py username/model-repo "checkpoint-*.pt"
- 清理数据集仓库中特定文件(不要求确认):
python clean_repo.py username/dataset-repo "temp_*.json" --repo_type=dataset -y
注意事项
- 删除操作是不可逆的,请确保要删除的文件确实不再需要
- 对于大型仓库,列出所有LFS文件可能需要一些时间
- 确保使用的huggingface_hub版本≥0.30,以获得完整的LFS文件管理功能
- 需要有仓库的写入权限才能执行删除操作
总结
通过huggingface_hub提供的最新API,我们可以高效地管理Hugging Face仓库中的大文件存储。相比之前的复杂方案,新方法更加直接可靠,能够立即释放存储空间,是管理机器学习项目存储需求的理想选择。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0135AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00Spark-Scilit-X1-13B
FLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
231
2.32 K

仓颉编译器源码及 cjdb 调试工具。
C++
112
78

暂无简介
Dart
532
117

React Native鸿蒙化仓库
JavaScript
216
291

Ascend Extension for PyTorch
Python
76
106

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
993
588

仓颉编程语言测试用例。
Cangjie
34
61

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
130
648