# yaml-language-server: $schema=https://schema.zeabur.app/template.json apiVersion: zeabur.com/v1 kind: Template metadata: name: MLflow spec: description: | MLflow is an open-source platform for managing the complete machine learning lifecycle. Track experiments, package models, and serve them with a built-in web UI. Supports experiment tracking, model registry, and project management with SQLite storage. coverImage: https://raw.githubusercontent.com/mlflow/mlflow/refs/heads/master/assets/logo.svg icon: https://raw.githubusercontent.com/mlflow/mlflow/refs/heads/master/assets/logo.svg variables: - key: PUBLIC_DOMAIN type: DOMAIN name: Domain description: The domain to access MLflow tags: - Tool - AI readme: | # MLflow An open-source AI engineering platform for managing the complete machine learning lifecycle. Track experiments, compare runs, package reproducible models, and serve predictions — all from a clean web dashboard. ## What You Can Do After Deployment 1. **Open your domain** — access the MLflow Tracking UI to view experiments and runs 2. **Log experiments** — point your ML scripts to this server with `mlflow.set_tracking_uri("https://your-domain")` 3. **Compare runs** — view metrics, parameters, and artifacts side-by-side across experiments 4. **Register models** — promote experiment runs to the Model Registry for staging and production 5. **Search and filter** — use the built-in search to find runs by metrics, parameters, or tags ## Key Features - Experiment tracking with metrics, parameters, and artifacts - Model Registry for versioning and lifecycle management - Web-based dashboard for visualizing and comparing runs - REST API for programmatic access - Support for Python, R, Java, and REST clients - SQLite backend for lightweight self-hosted storage - Compatible with popular ML frameworks (PyTorch, TensorFlow, scikit-learn, etc.) ## License Apache-2.0 — [GitHub](https://github.com/mlflow/mlflow) | [Website](https://mlflow.org) services: - name: mlflow icon: https://raw.githubusercontent.com/mlflow/mlflow/refs/heads/master/assets/logo.svg template: PREBUILT_V2 spec: source: image: ghcr.io/mlflow/mlflow:v3.8.1 command: - /bin/sh - -c - mlflow server --host 0.0.0.0 --port 5000 --backend-store-uri sqlite:///data/mlflow.db --default-artifact-root /data/artifacts ports: - id: web port: 5000 type: HTTP volumes: - id: data dir: /data env: MLFLOW_TRACKING_URI: default: sqlite:///data/mlflow.db healthCheck: type: HTTP port: web http: path: / domainKey: PUBLIC_DOMAIN localization: es-ES: description: | MLflow es una plataforma de código abierto para gestionar el ciclo de vida completo del aprendizaje automático. Rastrea experimentos, empaqueta modelos y sírvelos con una interfaz web integrada. Usa almacenamiento SQLite. variables: - key: PUBLIC_DOMAIN type: STRING name: Dominio description: El dominio para acceder a MLflow readme: | # MLflow Plataforma de ingeniería de IA de código abierto para gestionar el ciclo de vida completo del aprendizaje automático. Rastrea experimentos, compara ejecuciones, empaqueta modelos reproducibles y sirve predicciones desde un panel web. ## Qué puedes hacer después del despliegue 1. **Visita tu dominio** — accede a la UI de seguimiento de MLflow 2. **Registra experimentos** — apunta tus scripts ML a este servidor 3. **Compara ejecuciones** — visualiza métricas, parámetros y artefactos lado a lado 4. **Registra modelos** — promociona resultados al Model Registry 5. **Busca y filtra** — encuentra ejecuciones por métricas, parámetros o etiquetas ## Características - Seguimiento de experimentos con métricas, parámetros y artefactos - Model Registry para versionado y gestión del ciclo de vida - Panel web para visualización y comparación - API REST para acceso programático - Soporte para Python, R, Java y clientes REST - Backend SQLite para almacenamiento ligero autoalojado - Compatible con frameworks ML populares ## Licencia Apache-2.0 — [GitHub](https://github.com/mlflow/mlflow) id-ID: description: | MLflow adalah platform open-source untuk mengelola siklus hidup machine learning secara lengkap. Lacak eksperimen, kemas model, dan sajikan dengan UI web bawaan. Menggunakan penyimpanan SQLite. variables: - key: PUBLIC_DOMAIN type: STRING name: Domain description: Domain untuk mengakses MLflow readme: | # MLflow Platform engineering AI open-source untuk mengelola siklus hidup machine learning secara lengkap. Lacak eksperimen, bandingkan run, kemas model yang dapat direproduksi, dan sajikan prediksi dari dashboard web. ## Apa yang bisa dilakukan setelah deploy 1. **Buka domain** — akses MLflow Tracking UI untuk melihat eksperimen 2. **Catat eksperimen** — arahkan script ML ke server ini 3. **Bandingkan run** — lihat metrik, parameter, dan artefak secara berdampingan 4. **Daftarkan model** — promosikan hasil ke Model Registry 5. **Cari dan filter** — temukan run berdasarkan metrik, parameter, atau tag ## Fitur - Pelacakan eksperimen dengan metrik, parameter, dan artefak - Model Registry untuk versioning dan manajemen siklus hidup - Dashboard web untuk visualisasi dan perbandingan - REST API untuk akses programatik - Dukungan Python, R, Java, dan klien REST - Backend SQLite untuk penyimpanan self-hosted ringan - Kompatibel dengan framework ML populer ## Lisensi Apache-2.0 — [GitHub](https://github.com/mlflow/mlflow) ja-JP: description: | MLflowは機械学習ライフサイクル全体を管理するオープンソースプラットフォームです。実験の追跡、モデルのパッケージング、Web UIでのサービス提供をサポート。SQLiteストレージを使用。 variables: - key: PUBLIC_DOMAIN type: STRING name: ドメイン description: MLflowにアクセスするためのドメイン readme: | # MLflow 機械学習ライフサイクル全体を管理するオープンソースAIエンジニアリングプラットフォーム。実験の追跡、実行の比較、再現可能なモデルのパッケージング、予測サービスの提供をWebダッシュボードから実行。 ## デプロイ後にできること 1. **ドメインにアクセス** — MLflow Tracking UIで実験と実行結果を表示 2. **実験を記録** — MLスクリプトをこのサーバーに向ける `mlflow.set_tracking_uri("https://your-domain")` 3. **実行を比較** — 実験間でメトリクス、パラメータ、アーティファクトを並べて表示 4. **モデルを登録** — Model Registryで実験結果をステージング・本番管理 5. **検索とフィルター** — メトリクス、パラメータ、タグで実行を検索 ## 主な機能 - 実験追跡（メトリクス・パラメータ・アーティファクト） - Model Registryによるバージョン管理 - Webダッシュボードでの可視化と比較 - REST APIによるプログラムアクセス - Python、R、Java、RESTクライアント対応 - SQLiteバックエンドの軽量セルフホスト - 主要MLフレームワーク対応 ## ライセンス Apache-2.0 — [GitHub](https://github.com/mlflow/mlflow) ko-KR: description: | MLflow는 전체 머신러닝 라이프사이클을 관리하는 오픈소스 플랫폼입니다. 실험 추적, 모델 패키징, 내장 웹 UI로 서비스 제공을 지원합니다. SQLite 스토리지를 사용합니다. variables: - key: PUBLIC_DOMAIN type: STRING name: 도메인 description: MLflow에 접속할 도메인 readme: | # MLflow 전체 머신러닝 라이프사이클을 관리하는 오픈소스 AI 엔지니어링 플랫폼. 실험 추적, 실행 비교, 재현 가능한 모델 패키징, 웹 대시보드에서 예측 서비스 제공. ## 배포 후 할 수 있는 것 1. **도메인 접속** — MLflow Tracking UI에서 실험 및 실행 결과 확인 2. **실험 기록** — ML 스크립트를 이 서버로 지정 `mlflow.set_tracking_uri("https://your-domain")` 3. **실행 비교** — 실험 간 메트릭, 파라미터, 아티팩트를 나란히 비교 4. **모델 등록** — Model Registry에서 실험 결과를 스테이징/프로덕션 관리 5. **검색 및 필터** — 메트릭, 파라미터, 태그로 실행 검색 ## 주요 기능 - 실험 추적 (메트릭, 파라미터, 아티팩트) - Model Registry 버전 관리 - 웹 대시보드 시각화 및 비교 - REST API 프로그래밍 접근 - Python, R, Java, REST 클라이언트 지원 - SQLite 백엔드 경량 셀프호스팅 - 주요 ML 프레임워크 호환 ## 라이선스 Apache-2.0 — [GitHub](https://github.com/mlflow/mlflow) th-TH: description: | MLflow เป็นแพลตฟอร์มโอเพนซอร์สสำหรับจัดการวงจรชีวิต machine learning ทั้งหมด ติดตามการทดลอง แพ็คเกจโมเดล และให้บริการผ่าน Web UI ในตัว ใช้ SQLite สำหรับจัดเก็บข้อมูล variables: - key: PUBLIC_DOMAIN type: STRING name: โดเมน description: โดเมนสำหรับเข้าถึง MLflow readme: | # MLflow แพลตฟอร์ม AI engineering โอเพนซอร์สสำหรับจัดการวงจรชีวิต machine learning ทั้งหมด ติดตามการทดลอง เปรียบเทียบผลลัพธ์ แพ็คเกจโมเดล และให้บริการพยากรณ์จากแดชบอร์ดเว็บ ## สิ่งที่ทำได้หลังจากติดตั้ง 1. **เข้าสู่โดเมน** — เข้าถึง MLflow Tracking UI เพื่อดูการทดลอง 2. **บันทึกการทดลอง** — ชี้สคริปต์ ML ไปยังเซิร์ฟเวอร์นี้ 3. **เปรียบเทียบการรัน** — ดูเมตริก พารามิเตอร์ และอาร์ติแฟกต์แบบเคียงข้างกัน 4. **ลงทะเบียนโมเดล** — ส่งผลลัพธ์ไปยัง Model Registry 5. **ค้นหาและกรอง** — ค้นหาการรันตามเมตริก พารามิเตอร์ หรือแท็ก ## ฟีเจอร์หลัก - ติดตามการทดลอง (เมตริก พารามิเตอร์ อาร์ติแฟกต์) - Model Registry สำหรับการจัดการเวอร์ชัน - แดชบอร์ดเว็บสำหรับการแสดงผลและเปรียบเทียบ - REST API สำหรับการเข้าถึงแบบโปรแกรม - รองรับ Python, R, Java และ REST client - SQLite backend สำหรับ self-hosted ที่เบา - เข้ากันได้กับ ML framework ยอดนิยม ## สัญญาอนุญาต Apache-2.0 — [GitHub](https://github.com/mlflow/mlflow) zh-CN: description: | MLflow 是管理完整机器学习生命周期的开源平台。追踪实验、打包模型并通过内建 Web UI 提供服务。支持实验追踪、模型注册和项目管理，使用 SQLite 存储。 variables: - key: PUBLIC_DOMAIN type: STRING name: 域名 description: 访问 MLflow 的域名 readme: | # MLflow 管理完整机器学习生命周期的开源 AI 工程平台。追踪实验、比较运行结果、打包可复现的模型，并从简洁的 Web 仪表板提供预测服务。 ## 部署后可以做什么 1. **打开域名** — 访问 MLflow Tracking UI 查看实验和运行结果 2. **记录实验** — 将 ML 脚本指向此服务器 `mlflow.set_tracking_uri("https://your-domain")` 3. **比较运行** — 并排查看各实验的指标、参数和产出物 4. **注册模型** — 将实验结果推送至 Model Registry 进行阶段管理 5. **搜索和筛选** — 使用内建搜索按指标、参数或标签查找运行结果 ## 主要功能 - 实验追踪（指标、参数、产出物） - Model Registry 版本控制和生命周期管理 - Web 仪表板可视化和比较运行结果 - REST API 程序化访问 - 支持 Python、R、Java 和 REST 客户端 - SQLite 后端轻量自托管存储 - 兼容主流 ML 框架 ## 授权 Apache-2.0 — [GitHub](https://github.com/mlflow/mlflow) zh-TW: description: | MLflow 是管理完整機器學習生命週期的開源平台。追蹤實驗、打包模型並透過內建 Web UI 提供服務。支援實驗追蹤、模型註冊和專案管理，使用 SQLite 儲存。 variables: - key: PUBLIC_DOMAIN type: STRING name: 網域 description: 存取 MLflow 的網域 readme: | # MLflow 管理完整機器學習生命週期的開源 AI 工程平台。追蹤實驗、比較執行結果、打包可重現的模型，並從簡潔的 Web 儀表板提供預測服務。 ## 部署後可以做什麼 1. **開啟網域** — 存取 MLflow Tracking UI 檢視實驗和執行結果 2. **記錄實驗** — 將 ML 腳本指向此伺服器 `mlflow.set_tracking_uri("https://your-domain")` 3. **比較執行** — 並排檢視各實驗的指標、參數和產出物 4. **註冊模型** — 將實驗結果推送至 Model Registry 進行階段管理 5. **搜尋和篩選** — 使用內建搜尋按指標、參數或標籤查找執行結果 ## 主要功能 - 實驗追蹤（指標、參數、產出物） - Model Registry 版本控制和生命週期管理 - Web 儀表板視覺化和比較執行結果 - REST API 程式化存取 - 支援 Python、R、Java 和 REST 客戶端 - SQLite 後端輕量自架儲存 - 相容主流 ML 框架 ## 授權 Apache-2.0 — [GitHub](https://github.com/mlflow/mlflow)