> 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-fr/pour-les-locataires/docker-images.md).

# 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

```json
{
  "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

```bash
# 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

```bash
# 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

```bash
# 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

```bash
# 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

```bash
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

```bash
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

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

### Déployer Ollama

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


---

# 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-fr/pour-les-locataires/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.