> 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/guides/guides_v2-es/primeros-pasos/docker-images.md).

# Imágenes de Docker

Imágenes de Docker listas para desplegar para cargas de trabajo de IA en Clore.ai

Imágenes Docker listas para desplegar para cargas de trabajo de IA en CLORE.AI.

{% hint style="success" %}
Despliega estas imágenes directamente en [Marketplace de CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Referencia rápida de despliegue

### Más populares

| Tarea                                  | Imagen                               | Puertos   |
| -------------------------------------- | ------------------------------------ | --------- |
| Chatea con IA                          | `ollama/ollama`                      | 22, 11434 |
| Interfaz similar a ChatGPT             | `ghcr.io/open-webui/open-webui`      | 22, 8080  |
| Generación de imágenes                 | `universonic/stable-diffusion-webui` | 22, 7860  |
| Generación de imágenes basada en nodos | `yanwk/comfyui-boot`                 | 22, 8188  |
| Servidor API de LLM                    | `vllm/vllm-openai`                   | 22, 8000  |

***

## Modelos de lenguaje

### Ollama

**Ejecutor universal de LLM: la forma más fácil de ejecutar cualquier modelo.**

```
Imagen: ollama/ollama
Puertos: 22/tcp, 11434/http
Comando: ollama serve
```

**Después del despliegue:**

```bash
# Conéctate por SSH al servidor
ssh -p <port> root@<proxy>

# Descarga y ejecuta un modelo
ollama pull llama3.2
ollama run llama3.2
```

**Variables de entorno:**

```
OLLAMA_HOST=0.0.0.0
OLLAMA_MODELS=/root/.ollama/models
```

***

### Open WebUI

**Interfaz similar a ChatGPT para Ollama.**

```
Imagen: ghcr.io/open-webui/open-webui:ollama
Puertos: 22/tcp, 8080/http
```

Incluye Ollama integrado. Accede mediante el puerto HTTP.

**Independiente (conéctate a un Ollama existente):**

```
Imagen: ghcr.io/open-webui/open-webui:main
Puertos: 22/tcp, 8080/http
Entorno: OLLAMA_BASE_URL=http://localhost:11434
```

***

### vLLM

**Servicio de LLM de alto rendimiento con API compatible con OpenAI.**

```
Imagen: vllm/vllm-openai:latest
Puertos: 22/tcp, 8000/http
Comando: python -m vllm.entrypoints.openai.api_server --model meta-llama/Meta-Llama-3.1-8B-Instruct --host 0.0.0.0
```

**Para modelos más grandes (multi-GPU):**

```bash
python -m vllm.entrypoints.openai.api_server \
    --model meta-llama/Meta-Llama-3.1-70B-Instruct \
    --tensor-parallel-size 2 \\
    --host 0.0.0.0
```

**Variables de entorno:**

```
HUGGING_FACE_HUB_TOKEN=<your-token>  # Para modelos con acceso restringido
```

***

### Text Generation Inference (TGI)

**Servidor LLM de producción de HuggingFace.**

```
Imagen: ghcr.io/huggingface/text-generation-inference:latest
Puertos: 22/tcp, 8080/http
Comando: --model-id meta-llama/Meta-Llama-3.1-8B-Instruct
```

**Variables de entorno:**

```
HUGGING_FACE_HUB_TOKEN=<your-token>
MAX_INPUT_LENGTH=4096
MAX_TOTAL_TOKENS=8192
```

***

## Generación de imágenes

### Stable Diffusion WebUI (AUTOMATIC1111)

**Interfaz de SD más popular con extensiones.**

```
Imagen: universonic/stable-diffusion-webui:latest
Puertos: 22/tcp, 7860/http
```

**Para VRAM baja (8 GB o menos):**

```bash
./webui.sh --listen --medvram --xformers
```

**Para acceso a la API:**

```bash
./webui.sh --listen --xformers --api
```

***

### ComfyUI

**Flujo de trabajo basado en nodos para usuarios avanzados.**

```
Imagen: yanwk/comfyui-boot:cu130-slim
Puertos: 22/tcp, 8188/http
Entorno: CLI_ARGS=--listen 0.0.0.0
```

**Imágenes alternativas:**

```
# Con extensiones comunes
Imagen: yanwk/comfyui-boot:cu130-megapak-pt211

# Minimal
Imagen: pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
```

**Comando de configuración manual:**

```bash
git clone https://github.com/comfyanonymous/ComfyUI && cd ComfyUI && pip install -r requirements.txt && python main.py --listen 0.0.0.0
```

***

### Fooocus

**Interfaz simplificada de SD, similar a Midjourney.**

```
Imagen: pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
Puertos: 22/tcp, 7865/http
Comando: git clone https://github.com/lllyasviel/Fooocus && cd Fooocus && pip install -r requirements.txt && python launch.py --listen
```

***

### FLUX

**Generación de imágenes de alta calidad más reciente.**

Usa ComfyUI con nodos FLUX:

```
Imagen: yanwk/comfyui-boot:cu130-slim
Puertos: 22/tcp, 8188/http
```

O mediante Diffusers:

```
Imagen: pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
Puertos: 22/tcp
```

```python
# Después de SSH
pip install diffusers transformers accelerate
python << 'EOF'
from diffusers import FluxPipeline
pipe = FluxPipeline.from_pretrained("black-forest-labs/FLUX.1-schnell")
pipe.enable_model_cpu_offload()
image = pipe("A cat", num_inference_steps=4).images[0]
image.save("output.png")
EOF
```

***

## Generación de video

### Stable Video Diffusion

```
Imagen: pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
Puertos: 22/tcp
```

```bash
pip install diffusers transformers accelerate
python << 'EOF'
from diffusers import StableVideoDiffusionPipeline
from diffusers.utils import load_image, export_to_video
pipe = StableVideoDiffusionPipeline.from_pretrained(
    "stabilityai/stable-video-diffusion-img2vid-xt",
    variant="fp16"
)
pipe.to("cuda")
image = load_image("input.png")
frames = pipe(image, num_frames=25).frames[0]
export_to_video(frames, "output.mp4", fps=7)
EOF
```

***

### AnimateDiff

Úsalo con ComfyUI:

```
Imagen: yanwk/comfyui-boot:cu130-slim
Puertos: 22/tcp, 8188/http
```

Instala los nodos AnimateDiff mediante ComfyUI Manager.

***

## Audio y voz

### Whisper (Transcripción)

```
Imagen: onerahmet/openai-whisper-asr-webservice:latest
Puertos: 22/tcp, 9000/http
Entorno: ASR_MODEL=large-v3
```

**Uso de la API:**

```bash
curl -X POST "http://localhost:9000/asr" \
    -F "audio_file=@audio.mp3" \
    -F "task=transcribe"
```

***

### Bark (texto a voz)

```
Imagen: pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
Puertos: 22/tcp
```

```bash
pip install bark
python << 'EOF'
from bark import SAMPLE_RATE, generate_audio, preload_models
from scipy.io.wavfile import write as write_wav
preload_models()
audio = generate_audio("Hello, this is a test.")
write_wav("output.wav", SAMPLE_RATE, audio)
EOF
```

***

### Stable Audio

```
Imagen: pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
Puertos: 22/tcp
```

```bash
pip install stable-audio-tools
# Requiere un token de HF para acceder al modelo
```

***

## Modelos de visión

### LLaVA

```
Imagen: pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
Puertos: 22/tcp
```

```bash
pip install llava
python -m llava.serve.cli --model-path liuhaotian/llava-v1.6-34b
```

***

### Llama 3.2 Vision

Usa Ollama:

```
Imagen: ollama/ollama
Puertos: 22/tcp, 11434/http
```

```bash
ollama pull llama3.2-vision
ollama run llama3.2-vision "describe this image" --images photo.jpg
```

***

## Desarrollo y entrenamiento

### Base de PyTorch

**Para configuraciones y entrenamiento personalizados.**

```
Imagen: pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
Puertos: 22/tcp
```

Incluye: CUDA 12.8, cuDNN 9, PyTorch 2.11

***

### Jupyter Lab

**Cuadernos interactivos para ML.**

```
Imagen: quay.io/jupyter/pytorch-notebook:cuda12-pytorch-2.11.0
Puertos: 22/tcp, 8888/http
```

O usa la base de PyTorch con Jupyter:

```bash
pip install jupyterlab
jupyter lab --ip=0.0.0.0 --allow-root --no-browser
```

***

### Entrenamiento de Kohya

**Para LoRA y ajuste fino de modelos.**

```
Imagen: pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
Puertos: 22/tcp
```

```bash
git clone https://github.com/kohya-ss/sd-scripts
cd sd-scripts
pip install -r requirements.txt
# Usa los scripts de entrenamiento
```

***

## Referencia de imágenes base

{% hint style="danger" %}
**Haz coincidir la versión de CUDA con la tarjeta.** La serie RTX 50 (Blackwell) necesita CUDA 12.8+ y PyTorch 2.7+; una imagen de CUDA 12.4 falla en ella con `no hay ninguna imagen de kernel disponible para la ejecución en el dispositivo`. Matriz completa: [Compatibilidad de CUDA y PyTorch](/guides/guides_v2-es/primeros-pasos/cuda-pytorch-compatibility.md).
{% endhint %}

### NVIDIA oficial

| Imagen                                   | CUDA | Caso de uso                                             |
| ---------------------------------------- | ---- | ------------------------------------------------------- |
| `nvidia/cuda:12.8.1-devel-ubuntu22.04`   | 12.8 | Desarrollo de CUDA, funciona de Turing → Blackwell      |
| `nvidia/cuda:12.8.1-runtime-ubuntu22.04` | 12.8 | Solo tiempo de ejecución de CUDA                        |
| `nvidia/cuda:13.0.3-devel-ubuntu24.04`   | 13.0 | La más reciente; solo Turing y posteriores              |
| `nvidia/cuda:11.8.0-devel-ubuntu22.04`   | 11.8 | Tarjetas heredadas (Pascal, antiguas plataformas Volta) |

### PyTorch oficial

| Imagen                                         | PyTorch | CUDA | Tarjetas                                   |
| ---------------------------------------------- | ------- | ---- | ------------------------------------------ |
| `pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel` | 2.11    | 12.8 | **Predeterminada.** Ampere, Ada, Blackwell |
| `pytorch/pytorch:2.13.0-cuda13.2-cudnn9-devel` | 2.13    | 13.2 | Turing y posteriores                       |
| `pytorch/pytorch:2.10.0-cuda12.8-cudnn9-devel` | 2.10    | 12.8 | Última versión con soporte para Tesla V100 |
| `pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel`  | 2.5     | 12.4 | Tarjetas de minería Pascal                 |

### HuggingFace

| Imagen                                          | Propósito              |
| ----------------------------------------------- | ---------------------- |
| `huggingface/transformers-pytorch-gpu`          | Transformers + PyTorch |
| `ghcr.io/huggingface/text-generation-inference` | Servidor TGI           |

***

## Variables de entorno

### Variables comunes

| Variable                 | Descripción                                               | Ejemplo        |
| ------------------------ | --------------------------------------------------------- | -------------- |
| `HUGGING_FACE_HUB_TOKEN` | Token de la API de HF para modelos con acceso restringido | `hf_xxx`       |
| `CUDA_VISIBLE_DEVICES`   | Selección de GPU                                          | `0,1`          |
| `TRANSFORMERS_CACHE`     | Directorio de caché del modelo                            | `/root/.cache` |

### Variables de Ollama

| Variable              | Descripción           | Valor predeterminado |
| --------------------- | --------------------- | -------------------- |
| `OLLAMA_HOST`         | Dirección de enlace   | `127.0.0.1`          |
| `OLLAMA_MODELS`       | Directorio de modelos | `~/.ollama/models`   |
| `OLLAMA_NUM_PARALLEL` | Solicitudes paralelas | `1`                  |

### Variables de vLLM

| Variable                 | Descripción                   |
| ------------------------ | ----------------------------- |
| `VLLM_ATTENTION_BACKEND` | Implementación de la atención |
| `VLLM_USE_MODELSCOPE`    | Usa ModelScope en lugar de HF |

***

## Referencia de puertos

| Puerto | Protocolo | Servicio                   |
| ------ | --------- | -------------------------- |
| 22     | TCP       | SSH                        |
| 7860   | HTTP      | Gradio (SD WebUI, Fooocus) |
| 7865   | HTTP      | Alternativa a Fooocus      |
| 8000   | HTTP      | API de vLLM                |
| 8080   | HTTP      | Open WebUI, TGI            |
| 8188   | HTTP      | ComfyUI                    |
| 8888   | HTTP      | Jupyter                    |
| 9000   | HTTP      | API de Whisper             |
| 11434  | TCP       | API de Ollama              |

***

## Consejos

### Almacenamiento persistente

Monta volúmenes para conservar los datos entre reinicios:

```bash
docker run -v /data/models:/root/.cache/huggingface ...
```

### Selección de GPU

Para sistemas con varias GPU:

```bash
docker run --gpus '"device=0,1"' ...
# o
CUDA_VISIBLE_DEVICES=0,1
```

### Gestión de memoria

Si te quedas sin VRAM:

1. Usa modelos más pequeños
2. Habilita la descarga a CPU
3. Reducir el tamaño del lote
4. Usa modelos cuantizados (GGUF Q4)

## Siguientes pasos

* [Comparación de GPU](/guides/guides_v2-es/primeros-pasos/gpu-comparison.md) - Elige la GPU adecuada
* [Compatibilidad de modelos](/guides/guides_v2-es/primeros-pasos/model-compatibility.md) - Qué se ejecuta dónde
* [Guía de inicio rápido](/guides/guides_v2-es/quickstart.md) - Empieza en 5 minutos


---

# 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/guides/guides_v2-es/primeros-pasos/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.