Sistema de AutoML nativo de Kubernetes para ajustar hiperparámetros, detener entrenamientos de forma anticipada y buscar arquitecturas neuronales en distintos frameworks de ML.
kubeflow/community-distribution
Manifiestos de distribución basados en Kubernetes para instalar toda la plataforma Kubeflow, incluidos Pipelines, KServe, Katib y Central Dashboard.
- Estrellas
- 1,049
- Forks
- 1,076
- Issues abiertos
- 17
- Último commit
- ayer
¿Qué es?
Este repositorio ofrece manifiestos de Kustomize para instalar la plataforma Kubeflow en clústeres de Kubernetes como Kind, Minikube, Rancher, EKS, AKS y GKE. Incluye componentes oficiales de Kubeflow, como Pipelines, KServe, Katib, Notebooks, Trainer y Spark Operator, junto con servicios de soporte como Istio, Knative, cert-manager, Dex y oauth2-proxy para el enrutamiento, la autenticación y la multitenencia.
La instalación puede realizarse con un solo comando que aplica una kustomization de ejemplo, o componente por componente para facilitar la depuración y el despliegue selectivo. Quienes necesiten una configuración distinta pueden crear overlays sobre los manifiestos en lugar de editarlos directamente. El proyecto publica dos versiones al año y documenta los pasos para actualizar entre versiones.
La plataforma está pensada para equipos que necesitan aislamiento entre usuarios, inicio de sesión basado en OIDC y una plataforma de ML autogestionada. La instalación predeterminada usa un usuario y una contraseña de prueba estáticos, que, según la documentación, deben cambiarse para usarla en producción.
Funciones clave
- 01Instala componentes de Kubeflow como Pipelines, KServe, Katib, Notebooks y Trainer mediante Kustomize.
- 02Es compatible con clústeres de Kind, Minikube, Rancher, EKS, AKS y GKE.
- 03Incluye Istio, Dex y oauth2-proxy para la autenticación y el acceso multiusuario.
- 04Permite instalar con un solo comando o componente por componente.
- 05Ofrece overlays y documenta los pasos de actualización entre versiones.
Casos de uso
- Desplegar una plataforma de machine learning de extremo a extremo en un clúster de Kubernetes existente.
- Ejecutar cargas de trabajo de ML multiusuario con aislamiento por espacio de nombres para los equipos.
- Crear una distribución interna personalizada de Kubeflow a partir de los manifiestos upstream.
- Explorar las capacidades de Kubeflow localmente con Kind o Minikube.
Inicio rápido
- 1
Crea el clúster de Kind con el script de instalación
./tests/install_KinD_create_KinD_cluster_install_kustomize.sh - 2
Guarda el kubeconfig del clúster
kind get kubeconfig --name kubeflow > /tmp/kubeflow-config - 3
Instala todos los componentes de Kubeflow con un solo comando (se reintenta hasta que se complete correctamente)
while ! kustomize build example | kubectl apply --server-side --force-conflicts -f -; do echo "Retrying to apply resources"; sleep 20; done
Antes de usarlo
- Se recomiendan al menos 16 GB de RAM y 8 núcleos de CPU; la instalación completa consume muchos recursos.
- Es posible que algunas imágenes de contenedor no sean compatibles con linux/arm64, por lo que ARM64 aún no tiene soporte completo.
- El inicio de sesión predeterminado utiliza un correo electrónico y una contraseña ampliamente conocidos, que deben cambiarse en producción.
Temas
Preguntas frecuentes
- ¿Qué es community-distribution?
- Manifiestos de distribución basados en Kubernetes para instalar toda la plataforma Kubeflow, incluidos Pipelines, KServe, Katib y Central Dashboard. Este repositorio ofrece manifiestos de Kustomize para instalar la plataforma Kubeflow en clústeres de Kubernetes como Kind, Minikube, Rancher, EKS, AKS y GKE. Incluye componentes oficiales de Kubeflow, como Pipelines, KServe, Katib, Notebooks, Trainer y Spark Operator, junto con servicios de soporte como Istio, Knative, cert-manager, Dex y oauth2-proxy para el enrutamiento, la autenticación y la multitenencia.
- ¿community-distribution es gratuito? ¿Qué licencia tiene?
- community-distribution es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿community-distribution sigue mantenido?
- Mantenimiento activo. El último commit de community-distribution fue el 6 nov 2026.
- ¿Para qué puedo usar community-distribution?
- Desplegar una plataforma de machine learning de extremo a extremo en un clúster de Kubernetes existente. Ejecutar cargas de trabajo de ML multiusuario con aislamiento por espacio de nombres para los equipos. Crear una distribución interna personalizada de Kubeflow a partir de los manifiestos upstream. Explorar las capacidades de Kubeflow localmente con Kind o Minikube.
- ¿Cómo se instala community-distribution?
- Crea el clúster de Kind con el script de instalación: ./tests/install_KinD_create_KinD_cluster_install_kustomize.sh Guarda el kubeconfig del clúster: kind get kubeconfig --name kubeflow > /tmp/kubeflow-config Instala todos los componentes de Kubeflow con un solo comando (se reintenta hasta que se complete correctamente): while ! kustomize build example | kubectl apply --server-side --force-conflicts -f -; do echo "Retrying to apply resources"; sleep 20; done
- ¿Dónde consigo community-distribution?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/kubeflow/community-distribution
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Biblioteca de Python para crear y servir API de inferencia de modelos de IA, pipelines multimodelo y aplicaciones con LLM, con despliegue en Docker y Kubernetes.
Suite de MLOps/LLMOps de código abierto para seguimiento de experimentos, versionado de datasets, pipelines, orquestación, planificación y serving de modelos.
Plataforma nativa de Kubernetes para desplegar y servir modelos de IA predictiva y generativa a escala con distintos frameworks de ML.
Framework de Python para servir modelos de ML, con una capa web en Rust, batching dinámico y etapas de CPU/GPU en pipeline para APIs de inferencia online.
Plataforma MLOps nativa de la nube sobre Kubernetes: notebooks, pipelines con editor visual, entrenamiento distribuido y serving de LLM.