App de CI para macOS auto-hospedado em Apple Silicon, que executa máquinas virtuais efêmeras para GitHub Actions, Buildkite, GitLab Runner ou scripts personalizados.
1,2 mil+2 esta semana44SwiftMITAtualizado há 2 meses
iterative/cml
CLI open source para executar fluxos de CI/CD em projetos de machine learning e publicar métricas e gráficos em pull requests.
- Estrelas
- 4,191
- Forks
- 347
- Issues abertas
- 87
- Último commit
- há 16 dias
O que é?
CML (Continuous Machine Learning) é uma ferramenta de linha de comando para executar integração e entrega contínuas em projetos de ML. Ela permite que as equipes treinem e avaliem modelos automaticamente a cada pull request e, em seguida, publiquem os resultados em um relatório Markdown com métricas, tabelas e gráficos, como comentário ou check no GitHub, GitLab ou Bitbucket.
CML funciona em sistemas de CI existentes, como GitHub Actions e GitLab CI/CD, sem exigir uma plataforma de ML separada. A ferramenta pode iniciar runners autogerenciados na AWS, Azure, GCP ou Kubernetes, incluindo instâncias com GPU, e reiniciar jobs interrompidos por timeouts do workflow ou pelo encerramento de instâncias spot. Dados e modelos geralmente são gerenciados com DVC, e o CML fornece imagens Docker que incluem Python, DVC e CML.
O CML pode ser instalado como pacote npm ou binário independente e oferece comandos como cml comment create, cml check create, cml pr create e cml tensorboard connect.
Recursos principais
- 01Publica métricas e gráficos de ML como comentários ou checks em pull requests do GitHub e GitLab.
- 02Funciona com GitHub Actions, GitLab CI/CD e Bitbucket Pipelines.
- 03Inicia runners na nuvem ou no Kubernetes, incluindo instâncias com GPU, a partir de um workflow.
- 04Reinicia automaticamente jobs interrompidos por timeouts do workflow ou pelo encerramento de instâncias spot.
- 05Integra-se ao DVC para baixar dados e visualizar diferenças de métricas entre commits.
- 06Fornece imagens Docker com Python, DVC e CML pré-instalados.
Casos de uso
- Treinar e avaliar um modelo automaticamente a cada pull request, publicando os resultados para análise.
- Executar jobs de treinamento com GPU em instâncias de nuvem sob demanda iniciadas pela CI.
- Usar máquinas GPU locais como runners autogerenciados para os workflows de ML de uma equipe.
- Comparar métricas e gráficos entre branches de experimentos dentro de um pull request.
Início rápido
- 1
Faça um fork do repositório do projeto de exemplo
- 2
Crie o arquivo de workflow .github/workflows/cml.yaml no seu fork
- 3
Faça commit e push das suas alterações para uma nova branch
git push origin experiment - 4
Abra um pull request para que o CML publique o relatório como comentário
Antes de usar
- Ele só é executado em sistemas de CI, como GitHub, GitLab ou Bitbucket. Por isso, você precisa ter uma conta em um deles.
Em coleções
Tópicos
Perguntas frequentes
- O que é cml?
- CLI open source para executar fluxos de CI/CD em projetos de machine learning e publicar métricas e gráficos em pull requests. CML (Continuous Machine Learning) é uma ferramenta de linha de comando para executar integração e entrega contínuas em projetos de ML. Ela permite que as equipes treinem e avaliem modelos automaticamente a cada pull request e, em seguida, publiquem os resultados em um relatório Markdown com métricas, tabelas e gráficos, como comentário ou check no GitHub, GitLab ou Bitbucket.
- cml é gratuito? Qual é a licença?
- cml é open source sob a licença Apache-2.0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- cml ainda é mantido?
- Manutenção ativa. O último commit de cml foi em 21 de out. de 2026.
- Para que posso usar cml?
- Treinar e avaliar um modelo automaticamente a cada pull request, publicando os resultados para análise. Executar jobs de treinamento com GPU em instâncias de nuvem sob demanda iniciadas pela CI. Usar máquinas GPU locais como runners autogerenciados para os workflows de ML de uma equipe. Comparar métricas e gráficos entre branches de experimentos dentro de um pull request.
- Como instalar cml?
- Faça um fork do repositório do projeto de exemplo Crie o arquivo de workflow .github/workflows/cml.yaml no seu fork Faça commit e push das suas alterações para uma nova branch: git push origin experiment Abra um pull request para que o CML publique o relatório como comentário
- Onde consigo cml?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/iterative/cml
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Ferramenta de linha de comando e extensão do VS Code para versionar dados e modelos junto com o Git e executar experimentos de ML reproduzíveis.
IA e Machine Learning#data-version-control#machine-learning#reproducibility#experiment-tracking#mlops
16 mil+10 esta semana1,3 milPythonApache-2.0Atualizado há 11 horas
Coleção de notebooks Jupyter de exemplo que mostram como criar, treinar e implantar modelos de machine learning no Amazon SageMaker.
11 mil+4 esta semana6,9 milJupyter NotebookApache-2.0Atualizado há 23 dias
Framework Python open source para avaliar, testar e monitorar sistemas de ML e LLM, com mais de 100 métricas integradas e detecção de drift.
8 mil+23 esta semana966Jupyter NotebookApache-2.0Atualizado mês passado
Rastreador de experimentos open source e auto-hospedado para registrar execuções de treinamento de ML e metadados, compará-las em uma interface e consultá-las com um SDK Python.
IA e Machine Learning#experiment-tracking#machine-learning#mlops#data-visualization#metadata-tracking
6,3 mil+2 esta semana413PythonApache-2.0Atualizado ontem
Plataforma open source para acompanhar e visualizar treinamentos de IA, registrando métricas, hiperparâmetros e dados de hardware, com implantação na nuvem ou autohospedada.
4,4 mil+20 esta semana237PythonApache-2.0Bem mantidoAtualizado há 17 horas