Verfügbare Docker-Images

Wenn Sie auf Clore.ai einen GPU-Server mieten, können Sie aus vorkonfigurierten Docker-Images wählen oder Ihre eigenen benutzerdefinierten Images verwenden.

Offizielle Clore-Images

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

Allgemeiner Zweck

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	Juli 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	Mai 2023 ⚠️
cloreai/torch:2.0.1	PyTorch 2.0.1 + CUDA	22	Juli 2023 ⚠️

KI/ML-Inferenz

Docker-Image	Beschreibung	Ports	Aktualisiert
cloreai/deepseek-r1-8b:latest	DeepSeek R1 8B, startbereit	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-Überwachungsagent	Sep. 2024 ✅
cloreai/hiveos:0.4	HiveOS-Integration	Feb. 2025 ✅
cloreai/openvpn-proxy:0.2	VPN-/Proxy-Weiterleitung	Feb. 2025 ✅
cloreai/proxy:0.2	Portweiterleitungssystem	Jan. 2024
cloreai/automining:0.1	Automatisches Mining-Setup	Jun. 2023 ⚠️
cloreai/kuzco:latest	Verteilte Kuzco-Inferenz	Jun. 2025 ✅
cloreai/partner:nastya-01	Tools für Partnerintegration	Apr. 2025 ✅

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

Empfohlene Community-Images

Bewährte Images aus der breiteren KI/ML-Community mit aktiver Pflege und aktuellen Versionen.

Deep-Learning-Frameworks

Image	Tag	Beschreibung	Anwendungsfall	Ports
pytorch/pytorch	2.10.0-cuda13.0-cudnn9-runtime	Aktuelles PyTorch mit CUDA 13.0	Training/Inferenz für Deep Learning	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	CUDA-Projekte erstellen	-
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	Produktive LLM-APIs	8000
ghcr.io/huggingface/text-generation-inference	3.3.5	Hugging Face TGI	LLM-Serving für Unternehmen	80
ollama/ollama	latest	Lokaler LLM-Runner	Lokales/Edge-LLM-Deployment	11434

Bildgenerierung

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

Entwicklungsumgebungen

Image	Tag	Beschreibung	Anwendungsfall	Ports
jupyter/tensorflow-notebook	latest	Jupyter + TensorFlow	ML-Experimente	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

Ein Image auswählen

Über die Weboberfläche

1. Gehen Sie zu Marktplatz → Einen Server finden → Mieten

2. Im Bestellformular auswählen Docker-Image aus dem Dropdown-Menü

3. Aus vorkonfigurierten Optionen wählen oder ein benutzerdefiniertes Image eingeben

4. Offengelegte Ports konfigurieren (durch Kommas getrennt: 8888,7860,8000)

5. Bei Bedarf Umgebungsvariablen hinzufügen

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/benutzer/image:tag

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

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

Beispiele

# Aktuelles PyTorch 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
your-username/my-ai-model:v1.0

Anforderungen für benutzerdefinierte Images

• ✅ Muss öffentlich zugänglich sein

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

• ✅ Auf CUDA-fähigen Images basieren, um GPU-Beschleunigung zu nutzen

• ✅ Die erforderlichen Treiber und Bibliotheken enthalten

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

Portkonfiguration

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

Port	Häufige Verwendung	Framework
22	SSH-Zugriff	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 Konfiguration an Ihre Container weiter:

Häufige Beispiele

# Hugging-Face-Token
HF_TOKEN=hf_ihr_token_hier

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

# Jupyter-Konfiguration
JUPYTER_ENABLE_LAB=yes
JUPYTER_TOKEN=ihr_sicheres_token

# vLLM-Konfiguration
VLLM_WORKER_MULTIPROC_METHOD=spawn

Sicherheitshinweise

• ❌ Geben Sie keine Geheimnisse in Umgebungsvariablen an

• ✅ Verwenden Sie temporäre Token oder API-Schlüssel

• ✅ Mounten Sie Secrets nach Möglichkeit als Volumes

Persistenter Speicher

Speicherorte

• /workspace - Bleibt während der Mietdauer normalerweise persistent

• /root - Kann beim Neustart des Containers zurückgesetzt werden

• /tmp - Temporärer Speicher, nicht persistent

Best Practices

• Wichtige Daten speichern in /workspace

• Externe Speicher für Backups verwenden (S3, GCS usw.)

• Modelle in persistente Verzeichnisse herunterladen

• Volume-Mounts für große Datensätze verwenden

Best Practices

Image-Auswahl

1. Aktuelle Tags verwenden - Vermeiden latest in der Produktion, versionierte Tags bevorzugen

2. Geeignete Basis auswählen - CUDA-Version mit Ihrem Framework abgleichen

3. Bildgröße berücksichtigen - Kleinere Images werden schneller heruntergeladen

4. Wartung prüfen - Bevorzugen Sie aktiv gepflegte Images

Sicherheit

1. Minimale Ports exponieren - Nur die Ports exponieren, die Sie benötigen

2. Authentifizierung verwenden - Token für Jupyter/Weboberflächen festlegen

3. Regelmäßig aktualisieren - Aktuelle Image-Versionen verwenden

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

Leistung

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

2. Modelle vorab herunterladen - Modelle in benutzerdefinierte Images aufnehmen, um den Start zu beschleunigen

3. Container optimieren - Mehrstufige Builds verwenden, Ebenen minimieren

4. Cache-Verwaltung - Docker-Layer-Cache nutzen

Fehlerbehebung

Image startet nicht

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

# CUDA-Kompatibilität prüfen
nvidia-smi
nvcc --version

Häufige Probleme:

• Image existiert nicht oder ist privat

• Inkompatible CUDA-Version

• Unzureichender Speicherplatz

• Falsche Architektur (arm64 vs x86_64)

GPU nicht zugänglich

# GPU-Verfügbarkeit prüfen
nvidia-smi

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

Lösungen:

• GPU-kompatible Basis-Images verwenden

• Sicherstellen, dass das NVIDIA Container Toolkit verfügbar ist

• CUDA-Treiberkompatibilität prüfen

Kann auf exponierte Ports nicht zugreifen

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

2. Prüfen, ob der Dienst innerhalb des Containers läuft: netstat -tlnp

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

4. Bestätigen, dass der Port im Bestellformular exponiert ist

Leistungsprobleme

• Lokalen SSD-Speicher für Modellgewichte verwenden

• Batch-Größen an den verfügbaren GPU-Speicher anpassen

• GPU-Auslastung überwachen: nvidia-smi -l 1

• CPU-/Speichernutzung prüfen: 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
Umgebung: 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 (im Container)