メインコンテンツへスキップ
見出し画像

Transformersの使い方|100万個のモデルを同じ3行で動かす土台を、公式資料どおりに4ステップで

    先に結論を書きます。

    Transformersの使い方は、仮想環境を作る、ライブラリを入れる、Pipelineに仕事の名前とモデルの名前を渡す、の3行で始まります。文章生成も、音声の文字起こしも、画像の分類も、同じ3行です。

    ただし、Transformersそのものが賢いわけではありません。入れたのに何もできない、という経験はありませんか?Transformersは「モデルの定義を1か所に置く土台」で、賢さは上に載せるモデルの側にあります。ここを取り違えると、入れたのに何もできない、になります。

    「で、結局どこから手を付ければいい?」という人向けに、この記事では、GitHubのREADMEと公式ドキュメント(インストール、クイックスタート)を2026年10月1日に読んで、Transformersの使い方を、入れる、動かす、選ぶ、つなぐの4ステップに直して書きます。うちの母艦では動かしていません。題材のツールは公式資料で確かめる決まりにしているためです。

    Transformersとは。数字と位置づけ

    Transformersは、Hugging Faceが作っているPythonのライブラリです。READMEの一言はこうです。「テキスト、画像、音声、動画、マルチモーダルの最先端モデルの、モデル定義の枠組み。推論にも学習にも使う」。https://github.com/huggingface/transformers

    数字を並べます。GitHubのスターは166,865、フォークは34,733(10月1日、GitHubのAPIで確認。https://api.github.com/repos/huggingface/transformers )。ライセンスはApache-2.0で、商用でも使えます。最新の版は5.18.0で、公開は2026年9月30日(日本時間10月1日の早朝)。話者を分けるNemotron 3 Diarizationなどのモデルが足されています。https://github.com/huggingface/transformers/releases/tag/v5.18.0

    位置づけで大事なのが「土台」という点です。READMEには、モデルの定義をここに集めることで、学習の道具(Axolotl、Unsloth、DeepSpeedなど)も、推論エンジン(vLLM、SGLang、TGI)も、隣のライブラリ(llama.cppやmlx)も、同じ定義を使える、とあります。

    そして、この定義に合うモデルが、Hugging Face Hubという置き場に100万個以上ある。

    たとえて言うと、Transformersはコンセントの規格で、モデルは家電です。規格が1つだから、100万個の家電が同じ差し込み口で動く。

    画像


    使い方STEP1。入れる。Python 3.10以上、PyTorch 2.5以上、仮想環境

    READMEとインストールのページに書いてある条件は2つ。Python 3.10以上と、PyTorch 2.5以上。https://huggingface.co/docs/transformers/installation

    手順は、仮想環境を作って、その中に入れる。venvでも、uvでもいい。

    python -m venv .my-env
    source .my-env/bin/activate
    pip install "transformers[torch]"

    uvなら、venvの行がuv venv、pipの行がuv pip installに変わるだけです。

    入ったかどうかは、公式が用意している1行で確かめます。

    python -c "from transformers import pipeline; print(pipeline('sentiment-analysis')('hugging face is the best'))"

    肯定か否定かの判定と、その確からしさが返ってくれば成功です。この時点で、小さなモデルが1つダウンロードされて、手元に保存されます。

    使い方STEP2。Pipelineで動かす。仕事の名前と、モデルの名前を渡す

    ここが3行の本体です。READMEの例をそのまま置きます。

    from transformers import pipeline
    pipeline = pipeline(task="text-generation", model="Qwen/Qwen2.5-1.5B")
    pipeline("the secret to baking a really good cake is ")

    Pipelineは、公式ドキュメントで「多くの機械学習の仕事のための、単純で最適化された推論クラス」と説明されています。前処理をやって、結果を整えて返す。中身を知らなくていい。https://huggingface.co/docs/transformers/index

    仕事の名前を変えるだけで、他のことができます。

    音声の文字起こしなら、taskをautomatic-speech-recognitionに、modelをopenai/whisper-large-v3に。READMEの例では、音声ファイルのURLを渡すと、その内容の文字が返っています。

    画像の分類なら、taskをimage-classificationに。READMEの例では、オウムの写真を渡して「macaw(コンゴウインコ)」が0.99の確からしさで返っています。

    会話をしたい時は、chat(役割と内容の配列)を渡す。READMEには、systemに性格を書いて、userに質問を書く例が載っています。

    つまり「何をするか」はtaskで、「誰にやらせるか」はmodelで決める。この2つを入れ替えるだけで、100万個の家電が同じ差し込み口で動きます。

    画像


    使い方STEP3。モデルを選ぶ。AutoClassとfrom_pretrained

    Pipelineの下には、3つのクラスしかありません。クイックスタートに、はっきり書いてあります。https://huggingface.co/docs/transformers/quicktour

    設定(PreTrainedConfig)、モデル本体(PreTrainedModel)、前処理(Preprocessor)。この3つ。

    そして、どのモデルでも、AutoClassという入口とfrom_pretrainedという1つの関数で、Hubから読み込めます。名前を渡すと、どの形のモデルか、どの前処理が要るかを自動で判断してくれる。

    モデルを選ぶ時の考え方は、こうです。Hubで「library=transformers」で絞ると、この土台に合うモデルだけが出る。小さいものから試して、自分の仕事で結果を見て、足りなければ大きくする。READMEの文章生成の例が1.5Bという小さめの版なのは、たぶん同じ理由です。

    使い方STEP4。会話とサーブ、そしてコーディングAIへ

    もう少し先に進む人向けに、2つ。

    1つ目。ターミナルから会話ができます。READMEには、transformers serveが動いていれば、transformers chatにモデル名を渡すだけで話せる、とあります。

    2つ目。Claude Codeのようなコーディングエージェントに、Transformersの使い方を教える「スキル」を、Hugging Faceが配っています。クイックスタートに手順があって、/plugin marketplace add huggingface/skills、続けて/plugin install hf-cli@huggingface/skillsの2つ。入れたら「HF Trainerのスキルを使って、このデータセットでこのモデルを微調整して」のように頼めます。

    学習の話は、この記事では扱いません。Trainerという学習のクラスがあって、混合精度や分散学習に対応している、というところまでが公式の説明です。

    うちの実録。602分の録音を8分で文字起こしした時、土台の意味が分かった

    ここからは実録です。ただし、Transformersを直接使った話ではありません。同じモデルの定義が、別のライブラリでも動いた話です。

    うちは、AI社員と呼んでいる仕組みをClaude CodeやCodexで毎日動かしている会社で、会議や通話の録音を文字起こしして記憶に入れています。

    9月10日、未取り込みの録音が16本、合わせて602分たまっていました。従来の経路は、CPUで動くwhisperで、17本を丸ごと流すと日をまたぐ長さ。

    そこで、既に入っていたmlx-whisperというライブラリで、large-v3-turboというモデルを、M3 UltraのGPUで回す小さなラッパーを書きました。出力の形は従来と同じにして、中の経路だけ替えた。

    結果は、602分が約8分。実時間比で約70倍でした。

    正直、最初は「モデルを替えたから速くなった」と思っていました。違いました。実際にうちで動いたのは、同じ系統のモデルでした。モデルは同じWhisperの系統で、替えたのは「どの土台で動かすか」。READMEにある「llama.cppやmlxがtransformersの定義を使う」という一文は、まさにこれで、同じ定義があるから、CPU向けの土台からGPU向けの土台へ、出力の形を変えずに乗り換えられた。

    個人的に学んだのは、モデルを選ぶ前に「定義が共通か」を見る、ということです。共通なら、あとで速い土台に替えられる。共通でないと、乗り換えのたびに全部作り直しになります。

    「向かないこと」を公式が書いている

    READMEには「使うべきでない時」の節があります。珍しいので、そのまま3つ。

    部品箱ではない。モデルのコードは、研究者がすぐ手を入れられるように、あえて抽象化していない。汎用のニューラルネットの組み立てには向かない。

    学習APIは、Transformersが提供するPyTorchのモデル向け。汎用の学習ループなら、Accelerateという別のライブラリを使う。

    例のスクリプトは「例」。自分の用途でそのまま動くとは限らない。

    入れる前に、この3つを見ておくと、「思ってたのと違う」が減ります。

    画像


    まとめ。Transformersの使い方は、3行から始めて、土台の共通性で選ぶ

    今日はこんな話でした。

    Transformersは、100万個超のモデルの定義を1か所に置く土台。使い方は、仮想環境を作って入れて、Pipelineに仕事の名前とモデルの名前を渡す3行。モデルを選ぶ時はAutoClassとfrom_pretrained。会話やコーディングAIへの接続も公式に手順がある。向かないことも公式が3つ書いている。

    うちは、602分の録音を8分で文字起こしした時に、「定義が共通なら土台を替えられる」という意味を体で覚えました。

    まず今日、仮想環境を1つ作って、公式の動作確認の1行だけ動かしてみてください。「肯定」と確からしさが返ってきた瞬間が、最初の1歩です。


    オープンソース研究所 無料OSS×ローカルAI 6大特典

    ローカルAI構築の教科書、OSSツール選定ワークブック、セルフホスト運用キットなどをまとめました。Pipelineで動かしたモデルを、自分の1台で回し続けたい人向けです。

    👉 6大特典を受け取る

     
     
    今バズってるAI系オープンソースを毎日発信|海外で話題のGitHubレポジトリを最速で紹介|“使えるかどうか”まで解説|AI・開発トレンドを追う人向け|AIメディア|最新情報を毎日執筆中|フォロー推奨👇

    あなたへのおすすめ