Imágenes de Docker disponibles

Al alquilar un servidor GPU en Clore.ai, puedes elegir entre imágenes Docker preconfiguradas o usar tus propias imágenes personalizadas.

Imágenes oficiales de Clore

Imágenes preconstruidas mantenidas por Clore.ai, optimizadas para el mercado descentralizado de GPU.

Propósito general

Imagen Docker	Descripción	Puertos	Actualizado
cloreai/jupyter:ubuntu24.04-v2	Jupyter Lab + SSH en Ubuntu 24.04	22, 8888	Ene 2025 ✅
cloreai/ml-tools:0.1	Jupyter Lab + servidor web de VS Code	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 con escritorio remoto GUI	22, 3389	May 2023 ⚠️
cloreai/torch:2.0.1	PyTorch 2.0.1 + CUDA	22	Jul 2023 ⚠️

Inferencia AI/ML

Imagen Docker	Descripción	Puertos	Actualizado
cloreai/deepseek-r1-8b:latest	DeepSeek R1 8B listo para ejecutar	8000	Ene 2025 ✅
cloreai/stable-diffusion-webui:latest	AUTOMATIC1111 SD WebUI	7860	Sep 2023 ⚠️
cloreai/oobabooga:1.5	Interfaz web de generación de texto	7860	Ago 2023 ⚠️

Infraestructura y Minería

Imagen Docker	Descripción	Actualizado
cloreai/monitoring:0.7	Agente de monitorización de servidores	Sep 2024 ✅
cloreai/hiveos:0.4	Integración con HiveOS	Feb 2025 ✅
cloreai/openvpn-proxy:0.2	Reenvío VPN/proxy	Feb 2025 ✅
cloreai/proxy:0.2	Sistema de reenvío de puertos	Ene 2024
cloreai/automining:0.1	Configuración de minería automática	Jun 2023 ⚠️
cloreai/kuzco:latest	Inferencia distribuida Kuzco	Jun 2025 ✅
cloreai/partner:nastya-01	Herramientas de integración para socios	Abr 2025 ✅

⚠️ Las imágenes marcadas con ⚠️ no se han actualizado en más de un año. Para cargas de trabajo de ML, considera usar las imágenes de la comunidad a continuación que ofrecen versiones más recientes de CUDA y de frameworks.

Imágenes recomendadas de la comunidad

Imágenes probadas por la comunidad AI/ML más amplia con mantenimiento activo y versiones recientes.

Frameworks de deep learning

Imagen	Etiqueta	Descripción	Caso de uso	Puertos
pytorch/pytorch	2.10.0-cuda13.0-cudnn9-runtime	Último PyTorch con CUDA 13.0	Entrenamiento/inferencia de deep learning	8888 (Jupyter)
nvidia/cuda	13.1.1-runtime-ubuntu22.04	Runtime NVIDIA CUDA	Aplicaciones CUDA personalizadas	-
nvidia/cuda	13.1.1-devel-ubuntu22.04	Herramientas de desarrollo CUDA	Construcción de proyectos CUDA	-
tensorflow/tensorflow	2.15.0-gpu	Soporte TensorFlow GPU	Flujos de trabajo TensorFlow	8888 (TensorBoard)

Motores de inferencia LLM

Imagen	Etiqueta	Descripción	Caso de uso	Puertos
vllm/vllm-openai	latest	Servicio LLM de alto rendimiento	APIs LLM de producción	8000
ghcr.io/huggingface/text-generation-inference	3.3.5	Hugging Face TGI	Servicio empresarial de LLM	80
ollama/ollama	latest	Ejecutor local de LLM	Despliegue local/edge de LLM	11434

Generación de imágenes

Imagen	Etiqueta	Descripción	Caso de uso	Puertos
goolashe/automatic1111-sd-webui	latest	Stable Diffusion WebUI	Generación de arte AI	7860
sinfallas/comfyui	latest	ComfyUI basado en nodos para SD	Flujos de trabajo avanzados de imágenes	8188

Entornos de desarrollo

Imagen	Etiqueta	Descripción	Caso de uso	Puertos
jupyter/tensorflow-notebook	latest	Jupyter + TensorFlow	Experimentación ML	8888
jupyter/pytorch-notebook	latest	Jupyter + PyTorch	Investigación en deep learning	8888
cschranz/gpu-jupyter	v1.10_cuda-12.9_ubuntu-24.04	Jupyter con soporte GPU	Computación GPU	8888

Seleccionar una imagen

A través de la interfaz web

1. Ir a Marketplace → Encontrar un servidor → Alquilar

2. En el formulario de pedido, selecciona Imagen Docker del desplegable

3. Elige entre opciones preconfiguradas o ingresa una imagen personalizada

4. Configura los puertos expuestos (separados por comas: 8888,7860,8000)

5. Agrega variables de entorno si es necesario

6. Enviar pedido

A través de la API

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

Imágenes Docker personalizadas

Registros compatibles

• Docker Hub: usuario/imagen:etiqueta

• GitHub Container Registry: ghcr.io/usuario/imagen:etiqueta

• NVIDIA NGC: nvcr.io/nvidia/imagen:etiqueta

• Google Container Registry: gcr.io/proyecto/imagen:etiqueta

Ejemplos

# PyTorch latest con CUDA 12.1
pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

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

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

# Imagen personalizada
tu-usuario/mi-modelo-ai:v1.0

Requisitos para imágenes personalizadas

• ✅ Debe ser accesible públicamente

• ✅ Debe incluir soporte NVIDIA GPU para instancias GPU

• ✅ Basarse en imágenes con CUDA habilitado para aceleración por GPU

• ✅ Incluir controladores y bibliotecas necesarias

• ⚠️ Las imágenes grandes (>10GB) pueden tardar más en descargarse

Configuración de puertos

Expón puertos para que tus aplicaciones sean accesibles desde el exterior:

Puerto	Uso común	Framework
22	Acceso SSH	Sistema
8888	Jupyter Notebook/Lab	Jupyter
7860	Interfaces Gradio	SD WebUI, aplicaciones Gradio
8000	Servidores API	vLLM, FastAPI
3000	Aplicaciones web	React, Node.js
8080	Servicios HTTP	Servicios web generales
11434	API Ollama	Ollama
8188	Interfaz ComfyUI	ComfyUI

Establecer puertos en el formulario de pedido

8888,7860,8000

Variables de entorno

Pasa configuración a tus contenedores:

Ejemplos comunes

# Token de Hugging Face
HF_TOKEN=hf_tu_token_aquí

# Configuración del modelo
MODEL_NAME=meta-llama/Llama-2-7b-chat-hf
CUDA_VISIBLE_DEVICES=0

# Configuración de Jupyter
JUPYTER_ENABLE_LAB=yes
JUPYTER_TOKEN=tu_token_seguro

# Configuración de vLLM
VLLM_WORKER_MULTIPROC_METHOD=spawn

Notas de seguridad

• ❌ No pongas secretos en variables de entorno

• ✅ Usa tokens temporales o claves API

• ✅ Monta secretos como volúmenes cuando sea posible

Almacenamiento persistente

Ubicaciones de almacenamiento

• /workspace - Generalmente persistente durante el período de alquiler

• /root - Puede restablecerse al reiniciar el contenedor

• /tmp - Almacenamiento temporal, no persistente

Mejores prácticas

• Almacena datos importantes en /workspace

• Usa almacenamiento externo para copias de seguridad (S3, GCS, etc.)

• Descarga modelos a directorios persistentes

• Usa montajes de volúmenes para conjuntos de datos grandes

Mejores prácticas

Selección de imagen

1. Usa etiquetas recientes - Evita latest en producción, prefiere etiquetas versionadas

2. Elige la base apropiada - Haz coincidir la versión de CUDA con tu framework

3. Considera el tamaño de la imagen - Las imágenes más pequeñas se descargan más rápido

4. Comprueba el mantenimiento - Prefiere imágenes con mantenimiento activo

Seguridad

1. Expón el mínimo de puertos - Solo expón los puertos que necesites

2. Usa autenticación - Establece tokens para Jupyter/interfaces web

3. Actualiza regularmente - Usa versiones recientes de imágenes

4. Monitorea el acceso - Verifica quién se conecta a tus servicios

Rendimiento

1. Compatibilidad GPU - Verifica que la versión de CUDA coincida con tus necesidades

2. Pre-descarga modelos - Incluye modelos en imágenes personalizadas para un arranque más rápido

3. Optimiza contenedores - Usa builds multietapa, minimiza capas

4. Gestión de caché - Aprovecha el cache de capas de Docker

Solución de problemas

La imagen no arranca

# Comprueba si la imagen existe y es pública
docker pull tu-imagen:etiqueta

# Verifica la compatibilidad con CUDA
nvidia-smi
nvcc --version

Problemas comunes:

• La imagen no existe o es privada

• Versión de CUDA incompatible

• Espacio en disco insuficiente

• Arquitectura incorrecta (arm64 vs x86_64)

GPU no accesible

# Comprueba la disponibilidad de la GPU
nvidia-smi

# Prueba CUDA en el contenedor
python -c "import torch; print(torch.cuda.is_available())"

Soluciones:

• Usa imágenes base compatibles con GPU

• Asegura que NVIDIA Container Toolkit esté disponible

• Comprueba la compatibilidad del driver CUDA

No se pueden acceder a los puertos expuestos

1. Espera a que el contenedor arranque completamente (revisa los logs)

2. Verifica que el servicio esté ejecutándose dentro del contenedor: netstat -tlnp

3. Comprueba si el servicio se enlaza a 0.0.0.0, no a 127.0.0.1

4. Confirma que el puerto esté expuesto en el formulario de pedido

Problemas de rendimiento

• Usa almacenamiento SSD local para pesos de modelos

• Optimiza los tamaños de lote para la memoria GPU disponible

• Monitorea la utilización de la GPU: nvidia-smi -l 1

• Comprueba uso de CPU/memoria: htop

Ejemplos de inicio rápido

Desplegar Jupyter con PyTorch

Imagen: pytorch/pytorch:2.10.0-cuda13.0-cudnn9-runtime
Puertos: 8888
Comando: jupyter lab --ip=0.0.0.0 --allow-root --no-browser

Desplegar servidor API vLLM

Imagen: vllm/vllm-openai:latest
Puertos: 8000
Env: MODEL_NAME=microsoft/DialoGPT-medium
Comando: python -m vllm.entrypoints.openai.api_server --model $MODEL_NAME --host 0.0.0.0

Desplegar Stable Diffusion WebUI

Imagen: goolashe/automatic1111-sd-webui:latest
Puertos: 7860
Comando: --listen --api --xformers

Desplegar Ollama

Imagen: ollama/ollama:latest
Puertos: 11434
Comando: ollama serve
# Luego: ollama run llama2 (dentro del contenedor)