Skip to content

README-deploy.md

Latest commit

 

History

History
138 lines (101 loc) · 5.05 KB

README-deploy.md

File metadata and controls

138 lines (101 loc) · 5.05 KB
Raw

SynapseOps · Kit de Despliegue (offline)

Guía para levantar SynapseOps en una PC de laboratorio sin internet (sin login a GHCR, sin build), usando imágenes Docker pre-exportadas. Pensado para Windows 11 + Docker Desktop (WSL2); también sirve en Linux.

1. Contenido del kit

synapseops-deploy/
├── README-deploy.md              ← esta guía
├── docker-compose.yml            ← stack base (9 servicios)
├── docker-compose.gpu.yml        ← override para GPU NVIDIA (ml-engine con CUDA)
├── .env                          ← variables (REGISTRY + APP_VERSION ya configurados)
├── .env.example                  ← plantilla de referencia
├── infra/
│   ├── prometheus/prometheus.yml
│   └── grafana/{provisioning,dashboards}
└── Backend/
    └── model-service/            ← plantilla TA-007 (se monta para el despliegue dinámico)

El tar de imágenes (synapseops-images.tar, ~7 GB) NO viene dentro de este zip (excede el límite de adjuntos). Descárgalo aparte (ver §3) y colócalo en esta misma carpeta.

2. Prerrequisitos (en cada PC del lab)

  • Docker Desktop ≥ 4.x con Docker Compose v2 (WSL2 habilitado en Windows).
  • ≥ 16 GB de RAM y ≥ 20 GB de disco libre (las imágenes con CUDA son grandes).
  • GPU (opcional): driver NVIDIA instalado en Windows. Con Docker Desktop + WSL2 la GPU se expone vía el driver de Windows — no hace falta instalar el CUDA Toolkit ni el NVIDIA Container Toolkit dentro de WSL.
  • Sin GPU, el sistema cae a CPU automáticamente (fallback seguro).

3. Obtener el tar de imágenes

El tar contiene todas las imágenes del stack (incluida ml-engine:gpu). Según cómo se publicó el release, tómalo de una de estas formas y déjalo como synapseops-deploy/synapseops-images.tar:

  • Partido en trozos (adjuntos del release synapseops-images.tar.part-*): 
    cat synapseops-images.tar.part-* > synapseops-images.tar     # Linux/WSL/Git Bash
    cmd /c copy /b synapseops-images.tar.part-* synapseops-images.tar   # PowerShell/CMD
  • Enlace de Google Drive (si así se compartió): descarga el .tar completo.

4. .env — punto CLAVE

El .env ya trae los valores correctos; no los cambies:

REGISTRY=ghcr.io/tunkifloo
APP_VERSION=latest

Estos valores hacen que los nombres de imagen que interpola el compose coincidan EXACTAMENTE con los tags cargados desde el tar. Si no coinciden, Compose intentará hacer pull y fallará offline. (Completa también las credenciales de BD/JWT/Grafana del .env.example si tu .env no las trae.)

5. Levantar el stack (offline, sin build ni pull)

Desde la carpeta synapseops-deploy/:

# 1) Cargar todas las imágenes desde el tar (una sola vez por PC)
docker load -i synapseops-images.tar

# 2a) CPU (laboratorio estándar)
docker compose up -d --no-build

# 2b) GPU NVIDIA (entrena en la tarjeta; TF + PyTorch CUDA)
docker compose -f docker-compose.yml -f docker-compose.gpu.yml up -d --no-build

# 3) Verificar
docker compose ps

--no-build y --no-build/pull evitados: arranca solo con las imágenes del tar.

6. Verificar y acceder

Servicio URL Notas
Frontend http://localhost:3000 UI principal
Backend (Swagger) http://localhost:8080/swagger-ui.html API
MLflow http://localhost:5000 Registro de modelos/experimentos
Grafana http://localhost:3001 admin / admin123

Usuario admin por defecto (login): superadmin · contraseña según el .env (ADMIN_PASSWORD). El model-service de inferencia se crea bajo demanda al desplegar un modelo (no aparece hasta entonces).

Comprobar GPU (si aplica):

docker exec ml-engine python -c "import tensorflow as tf, torch; print('TF GPU', bool(tf.config.list_physical_devices('GPU')), '| torch CUDA', torch.cuda.is_available())"

7. Problemas comunes

  • pull access denied / manifest unknown al up: el .env no coincide con los tags del tar. Verifica REGISTRY=ghcr.io/tunkifloo y APP_VERSION=latest, y que hiciste docker load.
  • Error de montaje de prometheus.yml ("not a directory"): ejecuta los comandos dentro de la carpeta real synapseops-deploy/ (no desde un acceso directo de Drive). Los binds de infra/ son relativos a esa carpeta.
  • La GPU no se usa (entrena en CPU): confirma el driver NVIDIA en Windows y usa el override -f docker-compose.gpu.yml. Revisa docker exec ml-engine nvidia-smi.
  • Memoria al límite con datasets grandes: baja el tamaño de imagen (p. ej. 160 px en Transfer Learning) o el batch size en el nodo de Entrenamiento; el sistema avisa la huella estimada antes de entrenar.

8. Apagar / actualizar

docker compose down            # detiene (conserva volúmenes/datos)
docker compose down -v         # también borra volúmenes (datos de cero)

Para una versión nueva: descarga el nuevo tar/kit, docker load -i …, y repite el up.