İşleri Yönet

İşleri Listele

İşler listenizi İşler sayfasında veya organizasyonunuzun İşler sayfasında (kullanıcı/organizasyon sayfası > ayarlar > İşler) bulabilirsiniz:

Hugging Face CLI'de de mevcuttur. Çalışan İşler listesini hf jobs ps ile görüntüleyin ve tüm İşleri göstermek için -a kullanın:

>>> hf jobs ps
JOB ID       IMAGE/SPACE      COMMAND     CREATED             STATUS  
------------ ---------------- ----------- ------------------- ------- 
69402ea6c... ghcr.io/astra... uv run p... 2025-12-15 15:52:06 RUNNING
>>> hf jobs ps -a
JOB ID       IMAGE/SPACE COMMAND         CREATED             STATUS    
------------ ---------- --------------- ------------------- --------- 
69402ea6c... ghcr.io... uv run pytho... 2025-12-15 15:52:06 RUNNING   
693b06b8c... ghcr.io... uv run pytho... 2025-12-11 18:00:24 CANCELED  
693b069fc... ghcr.io... uv run pytho... 2025-12-11 17:59:59 ERROR     
693aef401... ghcr.io... uv run pytho... 2025-12-11 16:20:16 COMPLETED 
693aee76c... ubuntu     echo Hello f... 2025-12-11 16:16:54 COMPLETED 
693ae8e3c... python:... python -c pr... 2025-12-11 15:53:07 COMPLETED

İşleri organizasyonunuz altında listelemek için organizasyonunuzun namespace değerini belirtin:

>>> hf jobs ps --namespace <my-org-name>

İşleri Filtrele

En çok kullandığınız etiketler, her birini kullanan İş sayısı ile birlikte İşler listesinin üstünde gösterilir; filtrelemek için birine tıklayın veya herhangi bir key=value etiketini yazın:

CLI'de durumu --status ile, etiketi ise --label key=value ile filtreleyin. Birden fazla etiketi aynı anda gerektirmek için --label bayrağını tekrarlayın:

# Jobs that ended in error
>>> hf jobs ps --status error

# Running or scheduling Jobs with a given label
>>> hf jobs ps --status running,scheduling --label env=prod

# All Jobs (any status) that have both labels
>>> hf jobs ps -a --label model=Qwen3-06B --label dataset=Capybara

# A label added without a value (`--label fine-tuning`) is matched with a trailing "="
>>> hf jobs ps -a --label fine-tuning=

Adına göre --name ile filtreleyin; bu, --label name=<name> için bir kısayoldur, örneğin adlandırılmış bir Job'un tüm çalıştırmalarını listelemek için:

>>> hf jobs ps -a --name daily-report
JOB_ID      NAME         IMAGE/SPACE COMMAND      CREATED      STATUS    RUNTIME
----------- ------------ ----------- ------------ ------------ --------- -------
6a9042c2... daily-report python:3.12 python -c... 2026-08-2... COMPLETED 0s     
6a904162... daily-report python:3.12 python -c... 2026-08-2... CANCELED  --     

Varsayılan olarak hf jobs ps, çalışan ve zamanlanan İşleri gösterir. Tüm durumları göstermek için -a kullanın; -a, --status ile birleştirilemez.

Kaynak kullanımını izleyin

Çalışan İşlerin CPU, bellek, ağ ve GPU (varsa) kullanımının anlık görüntüsünü almak için hf jobs stats kullanın:

>>> hf jobs stats
JOB ID                   CPU % NUM CPU MEM % MEM USAGE        NET I/O         GPU UTIL % GPU MEM % GPU MEM USAGE   
------------------------ ----- ------- ----- ---------------- --------------- ---------- --------- --------------- 
695e83c5d2f3efac77e8cf18 8%    12.0    7.18% 10.9GB / 152.5GB 0.0bps / 0.0bps 100%       31.92%    25.9GB / 81.2GB

Belirli İşlerin istatistiklerini göstermek için bir veya birden fazla İş kimliği belirtin:

>>> hf jobs stats [job-ids]...

İşler tamamlanana kadar istatistikleri canlı olarak izlemek için -f kullanın:

>>> hf jobs stats -f [job-ids]...

İşlem İncele

Bir Job'un durum günlüklerini Job sayfasında görebilirsiniz:

Alternatif olarak CLI'yi kullanarak

>>> hf jobs inspect 693994e21a39f67af5a41ad0 
[
    {
        "id": "693994e21a39f67af5a41ad0",
        "created_at": "2025-12-10 15:42:26.835000+00:00",
        "docker_image": "ghcr.io/astral-sh/uv:python3.12-bookworm",
        "space_id": null,
        "command": ["bash", "-c", "python -c \"import urllib.request; import os; from pathlib import Path; o = urllib.request.build_opener(); o.addheaders = [(\\\"Authorization\\\", \\\"Bearer \\\" + os.environ[\\\"UV_SCRIPT_HF_TOKEN\\\"])]; Path(\\\"/tmp/script.py\\\").write_bytes(o.open(os.environ[\\\"UV_SCRIPT_URL\\\"]).read())\" && uv run --with trl /tmp/script.py"],
        "arguments": [],
        "environment": {"UV_SCRIPT_URL": "https://huggingface.co/datasets/lhoestq/hf-cli-jobs-uv-run-scripts/resolve/728cc5682eb402d7ffe66a2f6f97645b34cb08dd/train.py"},
        "secrets": ["HF_TOKEN", "UV_SCRIPT_HF_TOKEN"],
        "flavor": "a100-large",
        "status": {"stage": "COMPLETED", "message": null},
        "owner": {"id": "5e9ecfc04957053f60648a3e", "name": "lhoestq", "type": "user"},
        "endpoint": "https://huggingface.co",
        "url": "https://huggingface.co/jobs/lhoestq/693994e21a39f67af5a41ad0"
    }
]

ve günlükler için

>>> hf jobs logs 693994e21a39f67af5a41ad0
Downloading nvidia-cuda-nvrtc-cu12 (84.0MiB)
Downloading numpy (15.8MiB)
Downloading nvidia-cuda-cupti-cu12 (9.8MiB)
Downloading tokenizers (3.1MiB)
Downloading nvidia-cusolver-cu12 (255.1MiB)
Downloading nvidia-cufft-cu12 (184.2MiB)
Downloading transformers (11.4MiB)
Downloading setuptools (1.1MiB)
... 

Organizasyonunuzun namespace değerini belirleyerek organizasyonunuz altındaki bir Job'u inceleyin:

hf jobs inspect --namespace <my-org-name> <job_id>
hf jobs logs --namespace <my-org-name> <job_id>

İşlerin tamamlanmasını bekleyin

hf jobs wait komutunu kullanarak, bir veya daha fazla Job son durumuna (COMPLETED, CANCELED, ERROR veya DELETED) ulaşana kadar işlemi bekletebilirsiniz. Komut, yalnızca tüm Job'lar başarıyla tamamlandığında 0 çıkış koduyla sonlanır; aksi halde sıfır olmayan bir kod döner — bu özellik, kabuk betiklerinde veya CI süreçlerinde adımları zincirlemek için kullanışlıdır:

# Wait for a single Job
>>> hf jobs wait 693994e21a39f67af5a41ad0

# Wait for several Jobs at once (all must be in the same namespace)
>>> hf jobs wait <job_id_1> <job_id_2>

# Wait for every currently running Job
>>> hf jobs ps -q | xargs hf jobs wait

--timeout ile bir maksimum bekleme süresi belirleyin (s, m, h veya d kabul eder):

>>> hf jobs wait --timeout 30m 693994e21a39f67af5a41ad0

hf jobs wait, bir Job başarısız olduğunda sıfır olmayan bir çıkış kodu döndürdüğü için, bunu && ile zincirleyebilirsiniz. Ayrıştırılmamış bir hf jobs run (veya hf jobs uv run) zaten engeller ve başarısızlık durumunda sıfır olmayan bir kodla çıkar, bu nedenle açık bir wait yalnızca ayrıştırılmış Job'lar (-d) veya bir parti üzerinde beklenirken gereklidir:

>>> hf jobs wait 693994e21a39f67af5a41ad0 && echo "job completed successfully"

Sonuçlarınızı kalıcı hale getirin

Bir Job sonlandığında dosya sistemi silinir. Job çıkış yapmadan önce, kalıcı olarak saklamak istediğiniz her şeyi kalıcı bir yere yazın:

• Ara ürünler, denetim noktaları ve günlükler → bir Storage Bucket hacmi. Bir bucket bağlayın ve çıktıları bağlama yolunun altına yazın — örnekler için Hacimler bölümüne bakın. Hacim bağlamaları, Job oluşturulurken Hugging Face kimliğinizle yetkilendirilir, bu nedenle betiğinizin bunlara yazmak için bir jetona ihtiyacı yoktur.

• Nihai modeller ve veri kümeleri → Hub deposuna gönderin. İşler, bir token geçirmedikçe Hugging Face token'ına sahip değildir, örneğin --secrets HF_TOKEN (yalın form, oturum açmış token'ınızı otomatik olarak çözümler). Betiğiniz push_to_hub() veya create_repo() çağırıyorsa, token'ın yazma erişimine sahip olduğundan emin olun (ince ayarlı token'lar için depo yazma ve oluşturma izinleri gerekir). Yaygın bir hata modu, saatlerce hesaplama tamamlandıktan sonra nihai yüklemede token'ın yazamaması nedeniyle hata veren bir İş'tir — hesaplama tamamlanmıştır, ancak sonuçlar kaydedilmemiştir.

• Önemli sonuçları günlüklere yazdırın. İş günlükleri, İş sona erdikten sonra saklanır ve istenildiğinde hf jobs logs <job-id> komutuyla alınabilir. Son metriklerin stdout'a yazdırılması, bir yükleme adımı başarısız olsa bile bunların kurtarılabilir kalmasını sağlar.

Bir Job tamamlandıktan sonra, çıktıların gerçekten beklediğiniz yere yazıldığını kontrol edin (örneğin hf buckets list ile) — COMPLETED durumu, komutun başarıyla sonlandığını, dosyaların ise beklediğiniz yerde kalıcı olarak saklandığını garanti etmez.

İşlem Hatasını Gider

Bir Job'da hata varsa, bunu Job sayfasında görebilirsiniz

Ne olduğunu anlamak için İş sayfasındaki durum mesajına ve günlük kayıtlarına bakın.

Bir İş'in başarısız olması öncesinde neler olduğunu görmek için günlüklerin son satırlarına da bakabilirsiniz. Bunu İş sayfasında veya CLI kullanarak görebilirsiniz:

>>> hf jobs logs 69405cf51a39f67af5a41f29 | tail -n 10     
 Downloaded nvidia-cudnn-cu12
 Downloaded torch
Installed 66 packages in 226ms
Generating train split: 100%|██████████| 15806/15806 [00:00<00:00, 73330.17 examples/s]
Generating test split: 100%|██████████| 200/200 [00:00<00:00, 45427.32 examples/s]
Traceback (most recent call last):
  File "/tmp/script.py", line 7, in <module>
    train_dataset=train_dataset,
                  ^^^^^^^^^^^^^
NameError: name 'train_dataset' is not defined. Did you mean: 'load_dataset'?

Yerel UV veya Docker kurulumunuzu kullanarak bir İşlem'i (Job) yerel olarak hata ayıklama:

• hf jobs uv run ... -> uv run ...
• hf jobs run ... -> docker run ...

Durum mesajı “Job timeout” diyebilir: bu, Job’un zaman aşımı (varsayılan 30dk) dolmadan tamamlanamadığı ve bu nedenle durdurulduğu anlamına gelir. Bu durumda, CLI’da --timeout kullanarak daha yüksek bir zaman aşımı belirtmeniz gerekir, örneğin

hf jobs uv run --timeout 3h ...

Bir İşlem Yeniden Çalıştır

Mevcut bir İşin kayıtlı yapılandırmasını, gizli bilgilerini ve donanım türünü içeren yeni bir İş başlatmak için hf jobs rerun kullanın:

>>> hf jobs rerun <job_id>

Yeni Job'un kendi ID'si vardır. Python'da rerun_job kullanın.

İşleri İptal Et

Bir İş'i iptal etmek için İş sayfasındaki “Cancel” düğmesini kullanın:

veya CLI'de:

hf jobs cancel 693b06b8c67c9f186cfe239e

Organizasyonunuz altındaki bir Job'u iptal etmek için organizasyonunuzun namespace değerini belirtin:

hf jobs cancel --namespace <my-org-name> <job_id>

MacOS menü çubuğu

MacOS hfjobs-menubar istemcisinde İşler listenizi bulun:

İş bilgilerini alın ve günlükleri ile kaynak kullanım istatistiklerini izleyin: