AIモデル（例：Qwen・Stable Diffusionなど）を使っていると、
「どこにダウンロードされてるの？」「気づいたら容量がヤバい…」と感じたことはありませんか？

この記事では、Hugging Face系モデルの保存場所・容量の仕組み・削除方法・保存先変更まで、まとめて解説します。

■ モデルはどこにダウンロードされるのか？

from_pretrained() を使うと、モデルは自動的に Hugging Faceのキャッシュ領域に保存されます。

コード例
pipeline = QwenImageEditPipeline.from_pretrained( “Qwen/Qwen-Image-Edit”, transformer=transformer, scheduler=scheduler, torch_dtype=torch.bfloat16 )

▼ デフォルト保存先

Linux / macOS

~/.cache/huggingface/hub/

Windows

C:\Users\<ユーザー名>\.cache\huggingface\hub\

■ 【重要】ダウンロードされないケース（ローカルパス指定）

以下のように ローカルパス(フルパスも含む)を指定した場合、モデルはダウンロードされません。

pipeline = QwenImageEditPipeline.from_pretrained(
    "./models/Qwen-Image-Edit"
)

この挙動になるのは以下の場合：

  • 指定したパスが存在する
  • その中にモデルファイルが揃っている

■ 実際のフォルダ構造

モデルは以下のような構造でキャッシュフォルダに保存されます：

huggingface/
└── hub/
    ├── models--<組織名>--<モデル名>/
    │   ├── snapshots/
    │   ├── refs/
    │   └── blobs/

例：

models--Qwen--Qwen-Image-Edit
models--runwayml--stable-diffusion-v1-5

▼ 各フォルダの役割

  • snapshots/：実際に使われるモデル本体
  • blobs/：ファイルの実体（重複排除の仕組み）
  • refs/：バージョン管理情報

■ なぜ容量が大きくなるのか？

AIモデルは非常に大きいです。

▼ 代表的なサイズ感

  • 画像生成モデル：数GB〜10GB以上
  • LLM（大規模言語モデル）：10GB〜数百GB
  • ファインチューニング版：さらに増える

さらに以下の理由で容量が増えます：

  • バージョン違い（snapshotが増える）
  • 複数モデルをダウンロード
  • 同じモデルの別精度（fp16 / bf16 / int8など）

👉 気づくと 数十GB〜100GB超えは普通に起きます

■ 現在のキャッシュ場所を確認する方法

Pythonで確認できます：

from huggingface_hub.constants import HF_HUB_CACHE

print(HF_HUB_CACHE)

■ 不要なモデルの削除方法

方法①：手動で削除（シンプル）

キャッシュディレクトリに移動して削除：

~/.cache/huggingface/hub/

削除例：

rm -rf models--Qwen--Qwen-Image-Edit

Windowsならフォルダを削除するだけです。

方法②：まとめて削除（全キャッシュ）

rm -rf ~/.cache/huggingface

⚠ 注意：すべてのモデルが消えます。パス間違いにご注意ください！

方法③：CLIツールで管理（おすすめ）

huggingface-cli cache info

huggingface-cli cache delete

これで安全に削除できます。

■ 保存場所を変更する方法

容量問題を避けるため、保存先を別ドライブに変えるのが有効です。

方法①：環境変数（最も推奨）

Linux / macOS

export HF_HOME=/mnt/big_storage/huggingface

または

export HUGGINGFACE_HUB_CACHE=/mnt/big_storage/hf_cache

Windows

setx HF_HOME D:\huggingface

方法②：コードで指定

pipeline = QwenImageEditPipeline.from_pretrained(
    "Qwen/Qwen-Image-Edit",
    cache_dir="./models"
)

■ 容量管理のコツ（重要）

  • 不要なモデルは定期的に削除する
  • 保存先は最初から大容量ドライブにする
  • 同じモデルの重複DLを避ける
  • snapshotが増えていないか確認する

■ よくあるトラブル

▼ ディスクが突然いっぱいになる

→ Hugging Faceキャッシュが原因のことが多い

▼ 同じモデルなのに容量が増える

→ バージョン違い or 精度違い

▼ 削除したのに容量が減らない

→ ゴミ箱 or 別ディレクトリに残っている可能性

■ まとめ

  • モデルは Hugging Faceキャッシュに保存される
  • 容量は数GB〜数百GBに膨らむこともある
  • 不要なモデルは手動 or CLIで削除可能
  • 保存先は環境変数で変更できる

AI開発を続けるなら、ストレージ管理はかなり重要なポイントです。
早めに運用ルールを決めておくと、後で困りません。

 

関連記事:

  1. Wan動画生成AIに使われている「UMT5-XXL」とは何か？
    Wan2.1やWan2.2などの動画生成AIを動かそうとすると、必ずセットで必要になるのが UMT5-XXL というモデルです。「テキストエンコーダー」と呼ばれるこのモデル、一体何をしているのでしょうか。 UMT5-XXL の正式名称と意味...
  2. QwenImageEditPlusPipeline で 512px 画像が「ズームイン」される原因と修正方法
    HuggingFace の diffusers ライブラリに含まれる QwenImageEditPlusPipeline...
  3. OpenRAILとは？初心者でもわかる「責任あるAIライセンス」の仕組み。できることできない事
    近年、画像生成AIやテキスト生成AIの普及に伴い、「AIモデルの利用ルール」が重要視されています。 その中でも注目されているのが OpenRAIL（Open Responsible AI...
  4. WAN・Qwenで使う Guidance Scale と True CFG とは？理論をわかりやすく解説
    画像・動画生成AIを使っていると必ず出てくる Guidance Scale（CFG Scale）と、最近よく見かける True...
  5. Stable Diffusion U-Net の ONNX に別の ONNX モデルを結合する方法
    Stable Diffusion ONNX U-Net に別モデルを統合する方法...
  6. Python（embed版）でCUDA対応PyTorchを使ったGPU推論環境の作り方
    はじめに 最近のGPU環境では「CUDAは自動で入っているのか？」「PyTorchはどこまで自動でやってくれるのか？」といった疑問を持つ人が多いと思います。 この記事では、Pythonのembed版（ポータブル環境）でCUDA対応PyTorchを使ったGPU推論を行う方法を、最小構成でわかりやすく解説します。 結論（重要ポイントまとめ） RTX...