Images Docker disponibles

Lors de la location d'un serveur GPU sur Clore.ai, vous pouvez choisir parmi des images Docker préconfigurées ou utiliser vos propres images personnalisées.

Images officielles Clore

Images préconstruites maintenues par Clore.ai, optimisées pour le marché décentralisé des GPU.

Usage général

Image Docker	Description	Ports	Mis à jour
cloreai/jupyter:ubuntu24.04-v2	Jupyter Lab + SSH sur Ubuntu 24.04	22, 8888	Jan 2025 ✅
cloreai/ml-tools:0.1	Jupyter Lab + serveur Web 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 avec interface graphique bureau à distance	22, 3389	May 2023 ⚠️
cloreai/torch:2.0.1	PyTorch 2.0.1 + CUDA	22	Jul 2023 ⚠️

Inférence AI/ML

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

Infrastructure & Mining

Image Docker	Description	Mis à jour
cloreai/monitoring:0.7	Agent de surveillance de serveur	Sep 2024 ✅
cloreai/hiveos:0.4	Intégration HiveOS	Feb 2025 ✅
cloreai/openvpn-proxy:0.2	Transfert VPN/proxy	Feb 2025 ✅
cloreai/proxy:0.2	Système de redirection de ports	Jan 2024
cloreai/automining:0.1	Configuration d'extraction automatique	Jun 2023 ⚠️
cloreai/kuzco:latest	Inférence distribuée Kuzco	Jun 2025 ✅
cloreai/partner:nastya-01	Outils d'intégration partenaire	Apr 2025 ✅

⚠️ Les images marquées par ⚠️ n'ont pas été mises à jour depuis plus d'un an. Pour les charges 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 par la communauté AI/ML plus large, avec maintenance active et versions récentes.

Frameworks de deep learning

Image	Tag	Description	Cas d'utilisation	Ports
pytorch/pytorch	2.10.0-cuda13.0-cudnn9-runtime	Dernier PyTorch avec CUDA 13.0	Entraînement/inférence 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	Support GPU pour TensorFlow	Flux de travail TensorFlow	8888 (TensorBoard)

Moteurs d'inférence LLM

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

Génération d'images

Image	Tag	Description	Cas d'utilisation	Ports
goolashe/automatic1111-sd-webui	latest	Stable Diffusion WebUI	Génération d'art IA	7860
sinfallas/comfyui	latest	ComfyUI basé sur des nœuds pour SD	Flux de travail d'images avancés	8188

Environnements de développement

Image	Tag	Description	Cas d'utilisation	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 compatible GPU	Calcul GPU	8888

Sélection d'une image

Via l'interface Web

1. Aller à Place de marché → Trouver 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

• GitHub Container Registry: ghcr.io/user/image:tag

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

• Google Container Registry: gcr.io/project/image:tag

Exemples

# PyTorch dernier avec 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

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

Exigences pour les images personnalisées

• ✅ Doit être accessible publiquement

• ✅ Doit inclure le support NVIDIA GPU pour les instances GPU

• ✅ Basée sur des images compatibles CUDA pour l'accélération GPU

• ✅ Inclure les pilotes et bibliothèques nécessaires

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

Configuration des ports

Exposez des ports pour que vos applications soient accessibles depuis l'extérieur :

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

Définir les 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_votre_jeton_ici

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

# Configuration 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 API

• ✅ Montez les secrets en tant que 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 les tags versionnés

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

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

4. Vérifiez la maintenance - Préférez les images activement maintenues

Sécurité

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

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

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

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

Performance

1. Compatibilité GPU - Vérifiez que la version 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 - Profitez du cache des couches Docker

Dépannage

L'image ne démarre pas

# Vérifiez si l'image existe et est publique
docker pull votre-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

• Mauvaise architecture (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 le NVIDIA Container Toolkit est disponible

• Vérifiez la compatibilité des pilotes CUDA

Impossible d'accéder aux ports exposés

1. Attendez que le conteneur ait entièrement démarré (vérifiez les logs)

2. Vérifiez que le service s'exécute à l'intérieur du conteneur : netstat -tlnp

3. Vérifiez si le service se lie à 0.0.0.0, pas 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 des modèles

• Optimisez les tailles de batch pour la mémoire GPU disponible

• Surveillez l'utilisation 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 un serveur 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
# Ensuite : ollama run llama2 (à l'intérieur du conteneur)