Cube Studio：开源云原生一站式机器学习平台
项目地址: https://gitcode.com/gh_mirrors/cub/cube-studio 1. 项目介绍
Cube Studio 是一个开源的云原生一站式机器学习平台，它支持从数据管理、开发环境、模型训练到模型部署的全流程操作。平台提供了丰富的功能模块，包括项目组管理、网络配置、用户管理、计量计费、单点登录、算力支持、多资源组集群、边缘集群、Serverless 集群模式、数据库存储、机器资源管理、存储盘管理、国际化能力、数据管理、开发环境、模型训练、模型管理以及模型应用市场等。
2. 项目快速启动
快速启动 Cube Studio 的基本步骤如下：
首先，确保您的环境中已经安装了 Docker 和 Kubernetes。
# 拉取 Cube Studio 镜像
docker pull data-infra/cube-studio:latest
# 启动 Cube Studio 容器
docker run -d -p 8080:8080 data-infra/cube-studio:latest
启动容器后，您可以通过浏览器访问 http://localhost:8080 来使用 Cube Studio。
3. 应用案例和最佳实践
数据管理
- 数据集管理：用户可以随时上传样本集（图片、音频、文本等），并通过 SDK 进行数据集对接。
- 数据标注：支持多种类型的数据标注能力，包括自动化标注功能。
开发环境
- Notebook：提供在线的交互式开发调试工具，支持多种开发环境和语言。
- 镜像功能：支持镜像仓库、镜像管理和在线构建镜像。
模型训练
- 拖拉拽任务流编排调试：通过拖拽方式完成业务逻辑的 PIPLINE，支持多种资源规格和卡型选择。
- 主流功能算子：包括自定义镜像、逻辑节点、Python、数据处理、特征处理等。
模型管理
- 模型管理：用于对模型多版本管理，支持模型发布为推理服务。
- 推理服务：支持多版本服务的发布、滚动升级和回滚。
4. 典型生态项目
Cube Studio 作为一个开源平台，支持与多个生态项目集成，例如：
- 数据中台：与公司数据中台相应计算/调度引擎对接，进行数据 ETL 任务流编排。
- AIHub：提供预训练模型和应用对接，实现模型的一键部署和服务化。
- 分布式框架：集成 MPI、Colossal-AI 等分布式加速框架，提升模型训练效率。
通过上述介绍，您可以开始使用 Cube Studio 来构建和管理您的机器学习项目。更多详细配置和高级功能，请参考官方文档。