如何通过Gradio将Transformer模型成功部署到Hugging Face Space

你遇到的ModuleNotFoundError: No module named 'transformers'报错，核心原因是Hugging Face Space不会自动识别Python代码里的导入语句安装依赖，直接在.py脚本中写pip install是无效的——pip是终端命令，不属于Python语法，直接写在脚本中既不会被正常执行，也不符合Space的依赖加载规则。

按照以下步骤操作即可完成部署：

1. 新增依赖声明文件 #

在和app.py同级的仓库根目录，新建名为requirements.txt的文件，写入所有需要的第三方依赖，Space在构建应用时会自动读取这个文件安装对应包，文件内容如下：

gradio
transformers
timm
torch
pillow

不需要手动指定包版本，Space的基础运行环境会自动匹配兼容的稳定版本，手动写死版本号反而容易触发版本冲突。

2. 修正原app.py的逻辑错误 #

你的原有代码存在两个会导致运行失败的逻辑问题：

• 模型pipeline初始化写在预测函数内部，每次用户提交图片都会重新加载模型，会导致响应超时、内存占用过高
• 最后生成界面时引用的model是函数内的局部变量，全局作用域无法访问，就算依赖装完也会触发NameError

修正后的可直接运行的代码如下：

from transformers import pipeline
import gradio as gr

# 应用启动时全局加载模型，仅加载1次，降低运行开销
model = pipeline("image-classification", model="google/vit-base-patch16-224")

def image_classifier(image):
    return model(image)

gr.Interface.from_pipeline(model).launch()

原代码中导入的timm没有实际调用，属于冗余导入，pipeline会自动匹配模型需要的后端依赖，不需要额外在代码中手动导入。如果需要使用timm库中的特定图像分类模型，直接在pipeline的model参数中传入对应的timm模型名即可。

3. 触发应用重新构建 #

将requirements.txt和修正后的app.py上传到Space仓库根目录后，Space会自动触发新一轮构建，等待构建日志显示应用启动成功后，就可以正常访问使用图像分类功能了。

内容的提问来源于stack exchange，提问作者Ifeanyi Idiaye