Imágenes de Docker disponibles

Al alquilar un servidor GPU en Clore.ai, puedes elegir entre imágenes de 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 de 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 interfaz gráfica de escritorio remoto	22, 3389	May 2023 ⚠️
cloreai/torch:2.0.1	PyTorch 2.0.1 + CUDA	22	Jul 2023 ⚠️

Inferencia de IA/ML

Imagen de 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	Text Generation WebUI	7860	Ago 2023 ⚠️

Infraestructura y minería

Imagen de Docker	Descripción	Actualizado
cloreai/monitoring:0.7	Agente de monitorización del servidor	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 de 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 de abajo, que ofrecen versiones más recientes de CUDA y de los frameworks.

Imágenes recomendadas de la comunidad

Imágenes probadas en combate de la comunidad más amplia de IA/ML, con mantenimiento activo y versiones recientes.

Frameworks de aprendizaje profundo

Imagen	Etiqueta	Descripción	Caso de uso	Puertos
pytorch/pytorch	2.10.0-cuda13.0-cudnn9-runtime	La versión más reciente de PyTorch con CUDA 13.0	Entrenamiento/inferencia de aprendizaje profundo	8888 (Jupyter)
nvidia/cuda	13.1.1-runtime-ubuntu22.04	Entorno de ejecución NVIDIA CUDA	Aplicaciones personalizadas de CUDA	-
nvidia/cuda	13.1.1-devel-ubuntu22.04	Herramientas de desarrollo de CUDA	Compilación de proyectos CUDA	-
tensorflow/tensorflow	2.15.0-gpu	Compatibilidad de TensorFlow con GPU	Flujos de trabajo de TensorFlow	8888 (TensorBoard)

Motores de inferencia LLM

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

Generación de imágenes

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

Entornos de desarrollo

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

Selección de una imagen

A través de la interfaz web

1. Ve a Marketplace → Encuentra un servidor → Alquilar

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

3. Elige entre opciones preconfiguradas o introduce una imagen personalizada

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

5. Añade 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 personalizadas de Docker

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

# La versión más reciente de PyTorch con CUDA 12.1
pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

# Base de 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-de-ia:v1.0

Requisitos para imágenes personalizadas

• ✅ Deben ser accesibles públicamente

• ✅ Deben incluir compatibilidad con GPU NVIDIA para instancias GPU

• ✅ Basarse en imágenes con CUDA para aceleración por GPU

• ✅ Incluir los controladores y bibliotecas necesarios

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

Configuración de puertos

Expón puertos para que tus aplicaciones sean accesibles desde fuera:

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

Configuración de puertos en el formulario de pedido

8888,7860,8000

Variables de entorno

Pasa la configuración a tus contenedores:

Ejemplos comunes

# Token de Hugging Face
HF_TOKEN=hf_your_token_here

# 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 los secretos como volúmenes cuando sea posible

Almacenamiento persistente

Ubicaciones de almacenamiento

• /workspace - Normalmente persistente durante el período de alquiler

• /root - Puede restablecerse al reiniciar el contenedor

• /tmp - Almacenamiento temporal, no persistente

Mejores prácticas

• Guarda los datos importantes en /workspace

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

• Descarga los 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 adecuada - 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. Revisa el mantenimiento - Prefiere imágenes mantenidas activamente

Seguridad

1. Expón el mínimo de puertos - Expón solo los puertos que necesites

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

3. Actualiza regularmente - Usa versiones recientes de las imágenes

4. Supervisa el acceso - Revisa quién se conecta a tus servicios

Rendimiento

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

2. Descarga los modelos con antelación - Incluye modelos en imágenes personalizadas para un arranque más rápido

3. Optimiza los contenedores - Usa compilaciones multietapa, minimiza las capas

4. Gestión de caché - Aprovecha el almacenamiento en caché 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 de disco insuficiente

• Arquitectura incorrecta (arm64 frente a 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

• Asegúrate de que NVIDIA Container Toolkit esté disponible

• Comprueba la compatibilidad del controlador CUDA

No se pueden acceder a los puertos expuestos

1. Espera a que el contenedor se inicie por completo (revisa los registros)

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

3. Comprueba si el servicio se vincula a 0.0.0.0 y 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 los pesos del modelo

• Optimiza los tamaños de lote para la memoria GPU disponible

• Supervisa el uso de la GPU: nvidia-smi -l 1

• Comprueba el 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 de vLLM

Imagen: vllm/vllm-openai:latest
Puertos: 8000
Entorno: 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)