App de CI para macOS autohospedada en Apple Silicon que ejecuta máquinas virtuales efímeras para GitHub Actions, Buildkite, GitLab Runner o scripts personalizados.
1,2 mil+2 esta semana44SwiftMITActualizado hace 2 meses
iterative/cml
CLI de código abierto para ejecutar flujos de CI/CD de machine learning y publicar métricas e informes con gráficos en pull requests.
- Estrellas
- 4,191
- Forks
- 347
- Issues abiertos
- 87
- Último commit
- hace 16 días
¿Qué es?
CML (Continuous Machine Learning) es una herramienta de línea de comandos para ejecutar integración y entrega continuas en proyectos de ML. Permite que los equipos entrenen y evalúen modelos automáticamente en cada pull request y publiquen los resultados como un informe en Markdown, con métricas, tablas y gráficos, en un comentario o un check de GitHub, GitLab o Bitbucket.
CML funciona dentro de sistemas de CI existentes, como GitHub Actions y GitLab CI/CD, sin necesitar una plataforma de ML independiente. Puede iniciar runners autohospedados en AWS, Azure, GCP o Kubernetes, incluidas instancias con GPU, y reiniciar trabajos interrumpidos por los límites de tiempo de los flujos de trabajo o por la terminación de una instancia spot. Normalmente, los datos y modelos se gestionan con DVC, y CML ofrece imágenes de Docker que incluyen Python, DVC y CML.
CML se instala como paquete npm o binario independiente, y ofrece comandos como cml comment create, cml check create, cml pr create y cml tensorboard connect.
Funciones clave
- 01Publica métricas y gráficos de ML como comentarios o checks en pull requests de GitHub y GitLab.
- 02Funciona con GitHub Actions, GitLab CI/CD y Bitbucket Pipelines.
- 03Inicia runners en la nube o en Kubernetes, incluidas instancias con GPU, desde un flujo de trabajo.
- 04Reinicia automáticamente los trabajos interrumpidos por los límites de tiempo de los flujos de trabajo o por la terminación de una instancia spot.
- 05Se integra con DVC para descargar datos y visualizar las diferencias de métricas entre commits.
- 06Ofrece imágenes de Docker con Python, DVC y CML preinstalados.
Casos de uso
- Entrenar y evaluar un modelo automáticamente en cada pull request y publicar los resultados para su revisión.
- Ejecutar trabajos de entrenamiento con GPU en instancias bajo demanda de la nube iniciadas desde CI.
- Usar máquinas GPU locales como runners autohospedados para los flujos de trabajo de ML de un equipo.
- Comparar métricas y gráficos entre ramas de experimentos dentro de un pull request.
Inicio rápido
- 1
Haz un fork del repositorio del proyecto de ejemplo
- 2
Crea el archivo de workflow .github/workflows/cml.yaml en tu fork
- 3
Confirma y envía tus cambios a una rama nueva
git push origin experiment - 4
Abre una solicitud de incorporación de cambios para que CML publique el informe como comentario
Antes de usarlo
- Solo se ejecuta en sistemas de CI como GitHub, GitLab o Bitbucket, por lo que necesitas una cuenta en alguno de ellos.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es cml?
- CLI de código abierto para ejecutar flujos de CI/CD de machine learning y publicar métricas e informes con gráficos en pull requests. CML (Continuous Machine Learning) es una herramienta de línea de comandos para ejecutar integración y entrega continuas en proyectos de ML. Permite que los equipos entrenen y evalúen modelos automáticamente en cada pull request y publiquen los resultados como un informe en Markdown, con métricas, tablas y gráficos, en un comentario o un check de GitHub, GitLab o Bitbucket.
- ¿cml es gratuito? ¿Qué licencia tiene?
- cml es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿cml sigue mantenido?
- Mantenimiento activo. El último commit de cml fue el 21 oct 2026.
- ¿Para qué puedo usar cml?
- Entrenar y evaluar un modelo automáticamente en cada pull request y publicar los resultados para su revisión. Ejecutar trabajos de entrenamiento con GPU en instancias bajo demanda de la nube iniciadas desde CI. Usar máquinas GPU locales como runners autohospedados para los flujos de trabajo de ML de un equipo. Comparar métricas y gráficos entre ramas de experimentos dentro de un pull request.
- ¿Cómo se instala cml?
- Haz un fork del repositorio del proyecto de ejemplo Crea el archivo de workflow .github/workflows/cml.yaml en tu fork Confirma y envía tus cambios a una rama nueva: git push origin experiment Abre una solicitud de incorporación de cambios para que CML publique el informe como comentario
- ¿Dónde consigo cml?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/iterative/cml
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Herramienta de línea de comandos y extensión de VS Code para versionar datos y modelos junto con Git y ejecutar experimentos de ML reproducibles.
IA y Machine Learning#data-version-control#machine-learning#reproducibility#experiment-tracking#mlops
16 mil+10 esta semana1,3 milPythonApache-2.0Actualizado hace 17 horas
Colección de notebooks de Jupyter de ejemplo que muestran cómo crear, entrenar y desplegar modelos de machine learning en Amazon SageMaker.
11 mil+4 esta semana6,9 milJupyter NotebookApache-2.0Actualizado hace 24 días
Framework open source de Python para evaluar, probar y monitorear sistemas de ML y LLM, con más de 100 métricas integradas y detección de drift.
8 mil+23 esta semana966Jupyter NotebookApache-2.0Actualizado el mes pasado
Gestor de experimentos open source autoalojado para registrar ejecuciones de entrenamiento de ML y sus metadatos, compararlas en una interfaz web y consultarlas con un SDK de Python.
IA y Machine Learning#experiment-tracking#machine-learning#mlops#data-visualization#metadata-tracking
6,3 mil+2 esta semana413PythonApache-2.0Actualizado ayer
Plataforma open source para registrar y visualizar el entrenamiento de IA, con métricas, hiperparámetros y estadísticas de hardware, en la nube o autohospedada.
4,4 mil+20 esta semana237PythonApache-2.0Bien mantenidoActualizado hace 24 horas