kserve/modelmesh-controller

ModelMesh Serving 镜像文档

镜像概述

ModelMesh Serving是KServe项目的一部分，是一个通用的、高性能的模型服务平台，专为大规模机器学习模型的部署和管理而设计。该平台提供了动态模型加载、自动扩展和资源优化等核心功能，能够有效降低模型部署的复杂性并提高资源利用率。

核心功能和特性

• 多框架支持：兼容多种主流机器学习框架，包括TensorFlow、PyTorch、Scikit-learn、XGBoost等
• 动态模型加载：根据需求动态加载和卸载模型，优化内存使用
• 自动扩展：基于请求量自动调整服务实例数量，确保服务性能
• 高可用性：提供模型冗余和故障转移机制，保证服务持续可用
• 资源优化：智能分配计算资源，最大化硬件利用率
• Kubernetes原生：专为Kubernetes环境设计，支持Kubernetes的各种编排功能
• 模型版本控制：支持模型版本管理和A/B测试
• 监控和可观测性：提供详细的性能指标和日志，便于监控和调试

使用场景和适用范围

ModelMesh Serving适用于以下场景：

• 大规模机器学习模型部署和管理
• 需要在Kubernetes环境中运行机器学习服务
• 拥有多个不同框架的模型需要统一管理
• 对资源利用率和服务响应时间有较高要求的生产环境
• 需要动态扩展能力的机器学习服务

使用方法和配置说明

前置要求

• Kubernetes集群（1.21+版本）
• kubectl命令行工具
• Helm 3.x（用于安装）

安装步骤

1. 添加KServe Helm仓库

bash
helm repo add kserve https://kserve.github.io/website/latest/charts/
helm repo update

2. 安装ModelMesh Serving

bash
helm install modelmesh-serving kserve/modelmesh-serving --namespace modelmesh-serving --create-namespace

3. 验证安装

bash
kubectl get pods -n modelmesh-serving

部署模型示例

创建模型配置文件model.yaml：

yaml
apiVersion: serving.kserve.io/v1beta1
kind: InferenceService
metadata:
  name: example-model
  namespace: modelmesh-serving
spec:
  predictor:
    model:
      modelFormat:
        name: tensorflow
      storageUri: "gs://kfserving-examples/models/tensorflow/flowers"

应用配置：

bash
kubectl apply -f model.yaml

环境变量配置

监控和日志

访问Prometheus指标：

http://<service-name>:8080/metrics

获取日志：

bash
kubectl logs -n modelmesh-serving <pod-name>

Docker部署示例

基本Docker Run命令

bash
docker run -d \
  --name modelmesh-serving \
  -p 8080:8080 \
  -e MODEL_MESH_LOG_LEVEL=INFO \
  kserve/modelmesh-serving:latest

Docker Compose配置

yaml
version: '3'
services:
  modelmesh-serving:
    image: kserve/modelmesh-serving:latest
    container_name: modelmesh-serving
    ports:
      - "8080:8080"
      - "8085:8085"
    environment:
      - MODEL_MESH_LOG_LEVEL=INFO
      - MODEL_CACHE_SIZE=20
    restart: unless-stopped

注意事项

• ModelMesh Serving主要设计用于Kubernetes环境，Docker单机部署仅建议用于开发和测试
• 生产环境中建议使用Kubernetes部署，并配置适当的资源限制
• 大规模部署时应考虑使用持久化存储来保存模型数据
• 确保网络环境允许模型存储库（如S3、GCS等）的访问