Images Docker disponibles

Lorsque vous louez un serveur GPU sur Clore.ai, vous pouvez choisir parmi des images Docker préconfigurées ou utiliser vos propres images personnalisées.

Images officielles de Clore

Images préconstruites maintenues par Clore.ai, optimisées pour la place de marché GPU décentralisée.

Usage général

Image Docker	Description	Ports	Mis à jour
cloreai/jupyter:ubuntu24.04-v2	Jupyter Lab + SSH sur Ubuntu 24.04	22, 8888	janv. 2025 ✅
cloreai/ml-tools:0.1	Jupyter Lab + serveur Web VS Code	22, 8888	juil. 2023 ⚠️
cloreai/ubuntu20.04-jupyter:latest	Ubuntu 20.04 + SSH + Jupyter	22, 8888	nov. 2022 ⚠️
cloreai/ubuntu-20.04-remote-desktop:1.2	Ubuntu avec interface graphique de bureau à distance	22, 3389	mai 2023 ⚠️
cloreai/torch:2.0.1	PyTorch 2.0.1 + CUDA	22	juil. 2023 ⚠️

Inférence IA/ML

Image Docker	Description	Ports	Mis à jour
cloreai/deepseek-r1-8b:latest	DeepSeek R1 8B prêt à l'emploi	8000	janv. 2025 ✅
cloreai/stable-diffusion-webui:latest	AUTOMATIC1111 SD WebUI	7860	sept. 2023 ⚠️
cloreai/oobabooga:1.5	WebUI de génération de texte	7860	août 2023 ⚠️

Infrastructure et minage

Image Docker	Description	Mis à jour
cloreai/monitoring:0.7	Agent de surveillance du serveur	sept. 2024 ✅
cloreai/hiveos:0.4	Intégration HiveOS	févr. 2025 ✅
cloreai/openvpn-proxy:0.2	Transfert VPN/proxy	févr. 2025 ✅
cloreai/proxy:0.2	Système de redirection de ports	janv. 2024
cloreai/automining:0.1	Configuration de minage automatique	juin 2023 ⚠️
cloreai/kuzco:latest	Inférence distribuée Kuzco	juin 2025 ✅
cloreai/partner:nastya-01	Outils d'intégration partenaires	avr. 2025 ✅

⚠️ Les images marquées d'un ⚠️ n'ont pas été mises à jour depuis plus d'un an. Pour les charges de travail ML, envisagez d'utiliser les images communautaires ci-dessous, qui offrent des versions plus récentes de CUDA et des frameworks.

Images communautaires recommandées

Images éprouvées issues de la communauté IA/ML au sens large, maintenues activement et avec des versions récentes.

Frameworks d'apprentissage profond

Image	Tag	Description	Cas d’usage	Ports
pytorch/pytorch	2.10.0-cuda13.0-cudnn9-runtime	Dernier PyTorch avec CUDA 13.0	Entraînement / inférence en deep learning	8888 (Jupyter)
nvidia/cuda	13.1.1-runtime-ubuntu22.04	Runtime NVIDIA CUDA	Applications CUDA personnalisées	-
nvidia/cuda	13.1.1-devel-ubuntu22.04	Outils de développement CUDA	Compilation de projets CUDA	-
tensorflow/tensorflow	2.15.0-gpu	Prise en charge GPU de TensorFlow	Flux de travail TensorFlow	8888 (TensorBoard)

Moteurs d'inférence LLM

Image	Tag	Description	Cas d’usage	Ports
vllm/vllm-openai	latest	Service LLM haute performance	API LLM de production	8000
ghcr.io/huggingface/text-generation-inference	3.3.5	TGI Hugging Face	Service LLM d'entreprise	80
ollama/ollama	latest	Exécuteur LLM local	Déploiement LLM local/en périphérie	11434

Génération d'images

Image	Tag	Description	Cas d’usage	Ports
goolashe/automatic1111-sd-webui	latest	Stable Diffusion WebUI	Génération d'art par IA	7860
sinfallas/comfyui	latest	ComfyUI SD basé sur les nœuds	Flux de travail avancés pour l'image	8188

Environnements de développement

Image	Tag	Description	Cas d’usage	Ports
jupyter/tensorflow-notebook	latest	Jupyter + TensorFlow	Expérimentation ML	8888
jupyter/pytorch-notebook	latest	Jupyter + PyTorch	Recherche en deep learning	8888
cschranz/gpu-jupyter	v1.10_cuda-12.9_ubuntu-24.04	Jupyter avec GPU	Calcul GPU	8888

Sélection d'une image

Via l'interface Web

1. Allez dans Marketplace → Trouvez un serveur → Louer

2. Dans le formulaire de commande, sélectionnez Image Docker dans le menu déroulant

3. Choisissez parmi les options préconfigurées ou saisissez une image personnalisée

4. Configurez les ports exposés (séparés par des virgules : 8888,7860,8000)

5. Ajoutez des variables d'environnement si nécessaire

6. Soumettre la commande

Via l'API

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

Images Docker personnalisées

Registres pris en charge

• Docker Hub: username/image:tag

• Registre de conteneurs GitHub: ghcr.io/user/image:tag

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

• Registre de conteneurs Google: gcr.io/project/image:tag

Exemples

# PyTorch le plus récent avec CUDA 12.1
pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

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

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

# Image personnalisée
votre-utilisateur/mon-modele-ia:v1.0

Exigences pour les images personnalisées

• ✅ Doivent être accessibles publiquement

• ✅ Doivent inclure la prise en charge GPU NVIDIA pour les instances GPU

• ✅ Doivent être basées sur des images compatibles CUDA pour l'accélération GPU

• ✅ Doivent inclure les pilotes et bibliothèques nécessaires

• ⚠️ Les images volumineuses (>10 Go) peuvent prendre plus de temps à télécharger

Configuration des ports

Exposez les ports de vos applications pour les rendre accessibles depuis l'extérieur :

Port	Cas d'utilisation courants	Framework
22	Accès SSH	Système
8888	Jupyter Notebook/Lab	Jupyter
7860	Interfaces Gradio	WebUI SD, applications Gradio
8000	Serveurs d'API	vLLM, FastAPI
3000	Applications Web	React, Node.js
8080	Services HTTP	Services Web généraux
11434	API Ollama	Ollama
8188	Interface ComfyUI	ComfyUI

Définition des ports dans le formulaire de commande

8888,7860,8000

Variables d'environnement

Transmettez la configuration à vos conteneurs :

Exemples courants

# Jeton Hugging Face
HF_TOKEN=hf_your_token_here

# Configuration du modèle
MODEL_NAME=meta-llama/Llama-2-7b-chat-hf
CUDA_VISIBLE_DEVICES=0

# Configuration de Jupyter
JUPYTER_ENABLE_LAB=yes
JUPYTER_TOKEN=your_secure_token

# Configuration vLLM
VLLM_WORKER_MULTIPROC_METHOD=spawn

Notes de sécurité

• ❌ Ne mettez pas de secrets dans les variables d'environnement

• ✅ Utilisez des jetons temporaires ou des clés d'API

• ✅ Montez les secrets en volumes lorsque c'est possible

Stockage persistant

Emplacements de stockage

• /workspace - Généralement persistant pendant la période de location

• /root - Peut être réinitialisé au redémarrage du conteneur

• /tmp - Stockage temporaire, non persistant

Bonnes pratiques

• Stockez les données importantes dans /workspace

• Utilisez un stockage externe pour les sauvegardes (S3, GCS, etc.)

• Téléchargez les modèles dans des répertoires persistants

• Utilisez des montages de volumes pour les grands ensembles de données

Bonnes pratiques

Sélection d'image

1. Utilisez des tags récents - Évitez latest en production, privilégiez des tags versionnés

2. Choisissez une base appropriée - Faites correspondre la version de CUDA avec votre framework

3. Tenez compte de la taille de l'image - Les images plus petites se téléchargent plus rapidement

4. Vérifiez la maintenance - Privilégiez les images activement maintenues

Sécurité

1. Exposez un minimum de ports - N'exposez que les ports dont vous avez besoin

2. Utilisez l'authentification - Définissez des jetons pour Jupyter/les interfaces Web

3. Mettez à jour régulièrement - Utilisez des versions récentes d'images

4. Surveillez les accès - Vérifiez qui se connecte à vos services

Performances

1. Compatibilité GPU - Vérifiez que la version de CUDA correspond à vos besoins

2. Pré-téléchargez les modèles - Incluez les modèles dans les images personnalisées pour un démarrage plus rapide

3. Optimisez les conteneurs - Utilisez des builds multi-étapes, minimisez les couches

4. Gestion du cache - Exploitez la mise en cache des couches Docker

Dépannage

L'image ne démarre pas

# Vérifiez si l'image existe et est publique
docker pull your-image:tag

# Vérifiez la compatibilité CUDA
nvidia-smi
nvcc --version

Problèmes courants :

• L'image n'existe pas ou est privée

• Version CUDA incompatible

• Espace disque insuffisant

• Architecture incorrecte (arm64 vs x86_64)

GPU inaccessible

# Vérifiez la disponibilité du GPU
nvidia-smi

# Testez CUDA dans le conteneur
python -c "import torch; print(torch.cuda.is_available())"

Solutions :

• Utilisez des images de base compatibles GPU

• Assurez-vous que NVIDIA Container Toolkit est disponible

• Vérifiez la compatibilité du pilote CUDA

Impossible d'accéder aux ports exposés

1. Attendez que le conteneur démarre complètement (consultez les journaux)

2. Vérifiez que le service s'exécute dans le conteneur : netstat -tlnp

3. Vérifiez si le service est lié à 0.0.0.0 et non à 127.0.0.1

4. Confirmez que le port est exposé dans le formulaire de commande

Problèmes de performance

• Utilisez un stockage SSD local pour les poids du modèle

• Optimisez les tailles de lot pour la mémoire GPU disponible

• Surveillez l'utilisation du GPU : nvidia-smi -l 1

• Vérifiez l'utilisation CPU/mémoire : htop

Exemples de démarrage rapide

Déployer Jupyter avec PyTorch

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

Déployer le serveur d'API vLLM

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

Déployer Stable Diffusion WebUI

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

Déployer Ollama

Image : ollama/ollama:latest
Ports : 11434
Commande : ollama serve
# Puis : ollama run llama2 (dans le conteneur)