Verfügbare Docker-Images

Wenn Sie bei Clore.ai einen GPU-Server mieten, können Sie aus vorkonfigurierten Docker-Images wählen oder eigene benutzerdefinierte Images verwenden.

Clore Offizielle Images

Vorgefertigte Images, die von Clore.ai gepflegt und für den dezentralen GPU-Marktplatz optimiert sind.

Allzweck

Docker-Image	Beschreibung	Ports	Aktualisiert
cloreai/jupyter:ubuntu24.04-v2	Jupyter Lab + SSH auf Ubuntu 24.04	22, 8888	Jan 2025 ✅
cloreai/ml-tools:0.1	Jupyter Lab + VS Code Webserver	22, 8888	Jul 2023 ⚠️
cloreai/ubuntu20.04-jupyter:latest	Ubuntu 20.04 + SSH + Jupyter	22, 8888	Nov 2022 ⚠️
cloreai/ubuntu-20.04-remote-desktop:1.2	Ubuntu mit Remote-Desktop-GUI	22, 3389	May 2023 ⚠️
cloreai/torch:2.0.1	PyTorch 2.0.1 + CUDA	22	Jul 2023 ⚠️

KI/ML Inferenz

Docker-Image	Beschreibung	Ports	Aktualisiert
cloreai/deepseek-r1-8b:latest	DeepSeek R1 8B betriebsbereit	8000	Jan 2025 ✅
cloreai/stable-diffusion-webui:latest	AUTOMATIC1111 SD WebUI	7860	Sep 2023 ⚠️
cloreai/oobabooga:1.5	Text-Generierungs-WebUI	7860	Aug 2023 ⚠️

Infrastruktur & Mining

Docker-Image	Beschreibung	Aktualisiert
cloreai/monitoring:0.7	Server-Monitoring-Agent	Sep 2024 ✅
cloreai/hiveos:0.4	HiveOS-Integration	Feb 2025 ✅
cloreai/openvpn-proxy:0.2	VPN-/Proxy-Weiterleitung	Feb 2025 ✅
cloreai/proxy:0.2	Port-Forwarding-System	Jan 2024
cloreai/automining:0.1	Automatische Mining-Einrichtung	Jun 2023 ⚠️
cloreai/kuzco:latest	Kuzco verteilte Inferenz	Jun 2025 ✅
cloreai/partner:nastya-01	Partner-Integrationswerkzeuge	Apr 2025 ✅

⚠️ Images, die mit ⚠️ markiert sind, wurden seit über einem Jahr nicht aktualisiert. Für ML-Workloads sollten Sie die Community-Images unten in Betracht ziehen, die neuere CUDA- und Framework-Versionen bieten.

Empfohlene Community-Images

Erprobte Images aus der breiteren AI/ML-Community mit aktiver Wartung und aktuellen Versionen.

Deep-Learning-Frameworks

Image	Tag	Beschreibung	Anwendungsfall	Ports
pytorch/pytorch	2.10.0-cuda13.0-cudnn9-runtime	Neueste PyTorch mit CUDA 13.0	Deep-Learning-Training/Inferenz	8888 (Jupyter)
nvidia/cuda	13.1.1-runtime-ubuntu22.04	NVIDIA CUDA Runtime	Benutzerdefinierte CUDA-Anwendungen	-
nvidia/cuda	13.1.1-devel-ubuntu22.04	CUDA-Entwicklungstools	Erstellen von CUDA-Projekten	-
tensorflow/tensorflow	2.15.0-gpu	TensorFlow GPU-Unterstützung	TensorFlow-Workflows	8888 (TensorBoard)

LLM-Inferenz-Engines

Image	Tag	Beschreibung	Anwendungsfall	Ports
vllm/vllm-openai	latest	Hochleistungs-LLM-Serving	Produktions-LLM-APIs	8000
ghcr.io/huggingface/text-generation-inference	3.3.5	Hugging Face TGI	Enterprise-LLM-Serving	80
ollama/ollama	latest	Lokaler LLM-Runner	Lokale/Edge-LLM-Bereitstellung	11434

Bildgenerierung

Image	Tag	Beschreibung	Anwendungsfall	Ports
goolashe/automatic1111-sd-webui	latest	Stable Diffusion WebUI	KI-Kunstgenerierung	7860
sinfallas/comfyui	latest	ComfyUI, knotenbasiertes SD	Erweiterte Bild-Workflows	8188

Entwicklungsumgebungen

Image	Tag	Beschreibung	Anwendungsfall	Ports
jupyter/tensorflow-notebook	latest	Jupyter + TensorFlow	ML-Experimentierung	8888
jupyter/pytorch-notebook	latest	Jupyter + PyTorch	Deep-Learning-Forschung	8888
cschranz/gpu-jupyter	v1.10_cuda-12.9_ubuntu-24.04	GPU-fähiges Jupyter	GPU-Computing	8888

Auswählen eines Images

Über die Weboberfläche

1. Gehe zu Marktplatz → Server finden → Mieten

2. Wählen Sie im Bestellformular Docker-Image aus dem Dropdown

3. Wählen Sie aus vorkonfigurierten Optionen oder geben Sie ein benutzerdefiniertes Image ein

4. Konfigurieren Sie freigegebene Ports (durch Kommas getrennt: 8888,7860,8000)

5. Fügen Sie bei Bedarf Umgebungsvariablen hinzu

6. Bestellung absenden

Über die API

{
  "image": "pytorch/pytorch:2.10.0-cuda13.0-cudnn9-runtime",
  "ports": [8888, 8000],
  "env": {
    "JUPYTER_ENABLE_LAB": "yes"
  }
}

Benutzerdefinierte Docker-Images

Unterstützte Registries

• Docker Hub: benutzername/image:tag

• GitHub Container Registry: ghcr.io/user/image:tag

• NVIDIA NGC: nvcr.io/nvidia/image:tag

• Google Container Registry: gcr.io/project/image:tag

Beispiele

# PyTorch neueste mit CUDA 12.1
pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

# NVIDIA CUDA Basis
nvidia/cuda:12.2.0-base-ubuntu22.04

# Hugging Face Transformers
huggingface/transformers-pytorch-gpu:4.35.0

# Benutzerdefiniertes Image
dein-benutzername/mein-ai-modell:v1.0

Anforderungen für benutzerdefinierte Images

• ✅ Muss öffentlich zugänglich sein

• ✅ Sollte NVIDIA-GPU-Unterstützung für GPU-Instanzen enthalten

• ✅ Auf CUDA-fähigen Images basieren für GPU-Beschleunigung

• ✅ Notwendige Treiber und Bibliotheken einschließen

• ⚠️ Große Images (>10GB) können länger zum Herunterladen benötigen

Port-Konfiguration

Exponieren Sie Ports für Ihre Anwendungen, damit diese von außen erreichbar sind:

Port	Gängige Verwendung	Framework
22	SSH-Zugang	System
8888	Jupyter Notebook/Lab	Jupyter
7860	Gradio-Oberflächen	SD WebUI, Gradio-Apps
8000	API-Server	vLLM, FastAPI
3000	Webanwendungen	React, Node.js
8080	HTTP-Dienste	Allgemeine Webdienste
11434	Ollama API	Ollama
8188	ComfyUI-Oberfläche	ComfyUI

Ports im Bestellformular festlegen

8888,7860,8000

Umgebungsvariablen

Geben Sie Konfigurationen an Ihre Container weiter:

Häufige Beispiele

# Hugging Face Token
HF_TOKEN=hf_dein_token_hier

# Modellkonfiguration
MODEL_NAME=meta-llama/Llama-2-7b-chat-hf
CUDA_VISIBLE_DEVICES=0

# Jupyter-Konfiguration
JUPYTER_ENABLE_LAB=yes
JUPYTER_TOKEN=dein_sicherer_token

# vLLM-Konfiguration
VLLM_WORKER_MULTIPROC_METHOD=spawn

Sicherheitshinweise

• ❌ Legen Sie keine Geheimnisse in Umgebungsvariablen ab

• ✅ Verwenden Sie temporäre Tokens oder API-Schlüssel

• ✅ Binden Sie Geheimnisse nach Möglichkeit als Volumes ein

Persistenter Speicher

Speicherorte

• /workspace - Normalerweise während der Mietdauer persistent

• /root - Kann beim Neustart des Containers zurückgesetzt werden

• /tmp - Temporärer Speicher, nicht persistent

Beste Vorgehensweisen

• Speichern Sie wichtige Daten in /workspace

• Verwenden Sie externen Speicher für Backups (S3, GCS usw.)

• Laden Sie Modelle in persistente Verzeichnisse herunter

• Verwenden Sie Volume-Mounts für große Datensätze

Beste Vorgehensweisen

Image-Auswahl

1. Verwenden Sie aktuelle Tags - Vermeiden Sie latest in der Produktion, bevorzugen Sie versionierte Tags

2. Wählen Sie geeignete Basis - Stimmen Sie die CUDA-Version mit Ihrem Framework ab

3. Berücksichtigen Sie die Image-Größe - Kleinere Images laden schneller herunter

4. Prüfen Sie die Wartung - Bevorzugen Sie aktiv gewartete Images

Sicherheit

1. Exponieren Sie nur minimale Ports - Exponieren Sie nur die Ports, die Sie benötigen

2. Verwenden Sie Authentifizierung - Setzen Sie Tokens für Jupyter/Web-Oberflächen

3. Regelmäßig aktualisieren - Verwenden Sie aktuelle Image-Versionen

4. Zugriffe überwachen - Prüfen Sie, wer sich mit Ihren Diensten verbindet

Leistung

1. GPU-Kompatibilität - Prüfen Sie, ob die CUDA-Version Ihren Anforderungen entspricht

2. Modelle vorab herunterladen - Nehmen Sie Modelle in benutzerdefinierte Images auf für schnelleren Start

3. Container optimieren - Verwenden Sie Multi-Stage-Builds, minimieren Sie Layer

4. Cache-Management - Nutzen Sie Docker-Layer-Caching

Fehlerbehebung

Image startet nicht

# Prüfen Sie, ob das Image existiert und öffentlich ist
docker pull dein-image:tag

# Überprüfen Sie CUDA-Kompatibilität
nvidia-smi
nvcc --version

Häufige Probleme:

• Image existiert nicht oder ist privat

• Inkompatible CUDA-Version

• Unzureichender Festplattenspeicher

• Falsche Architektur (arm64 vs x86_64)

GPU nicht zugänglich

# Prüfen Sie die GPU-Verfügbarkeit
nvidia-smi

# Testen Sie CUDA im Container
python -c "import torch; print(torch.cuda.is_available())"

Lösungen:

• Verwenden Sie GPU-kompatible Basis-Images

• Stellen Sie sicher, dass das NVIDIA Container Toolkit verfügbar ist

• Prüfen Sie die Kompatibilität des CUDA-Treibers

Kann nicht auf exponierte Ports zugreifen

1. Warten Sie, bis der Container vollständig gestartet ist (Logs prüfen)

2. Verifizieren Sie, dass der Dienst im Container läuft: netstat -tlnp

3. Prüfen Sie, ob der Dienst an 0.0.0.0 bindet, nicht an 127.0.0.1

4. Bestätigen Sie, dass der Port im Bestellformular freigegeben ist

Leistungsprobleme

• Verwenden Sie lokalen SSD-Speicher für Modellgewichte

• Optimieren Sie Batch-Größen für den verfügbaren GPU-Speicher

• Überwachen Sie die GPU-Auslastung: nvidia-smi -l 1

• Prüfen Sie CPU-/Speicherauslastung: htop

Schnellstart-Beispiele

Jupyter mit PyTorch bereitstellen

Image: pytorch/pytorch:2.10.0-cuda13.0-cudnn9-runtime
Ports: 8888
Befehl: jupyter lab --ip=0.0.0.0 --allow-root --no-browser

vLLM-API-Server bereitstellen

Image: vllm/vllm-openai:latest
Ports: 8000
Env: MODEL_NAME=microsoft/DialoGPT-medium
Befehl: python -m vllm.entrypoints.openai.api_server --model $MODEL_NAME --host 0.0.0.0

Stable Diffusion WebUI bereitstellen

Image: goolashe/automatic1111-sd-webui:latest
Ports: 7860
Befehl: --listen --api --xformers

Ollama bereitstellen

Image: ollama/ollama:latest
Ports: 11434
Befehl: ollama serve
# Dann: ollama run llama2 (innerhalb des Containers)