> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/clore.ai/clore.ai-eng-es/para-arrendatarios/docker-images.md).

# 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

```json
{
  "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

```bash
# 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

```bash
# 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

```bash
# 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

```bash
# 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

```bash
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

```bash
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

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

### Desplegar Ollama

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


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/clore.ai/clore.ai-eng-es/para-arrendatarios/docker-images.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.