# ModelDeploymentAdapter

**Repository Path**: cesiai/model-deployment-adapter

## Basic Information

- **Project Name**: ModelDeploymentAdapter
- **Description**: 服务模型的部署适配工具
- **Primary Language**: Unknown
- **License**: GPL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 7
- **Created**: 2025-08-01
- **Last Updated**: 2025-08-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# ModelDeploymentAdapter

## 工具介绍

服务封装及部署工具
由于服务和应用适配中业务场景具备多样性和动态性的特点，各种智能适配模型需要频繁更新以适应业务环境。本工具提供以下核心功能：

模型全生命周期管理（上传/下载/修改）
修改后自动触发部署
支持Kubernetes等云原生平台部署
自定义部署规则（YAML格式）
在线部署测试能力
工具部署安装流程

## 前置条件

安装最新版 Kubernetes 集群
安装最新版 Helm
安装 kubectl 并配置集群控制权限
完成前置模型封装管理工具部署


## 主工具安装

### 执行安装脚本
bash quick-install-mbdms.sh

### 开启UI访问端口
kubectl --namespace mbdms-system port-forward svc/mbdms 8080:80

### 新终端执行账户初始化
```
YATAI_INITIALIZATION_TOKEN=$(kubectl get secret yatai-env --namespace mbdms -system -o jsonpath="{.data. MBDMS_INITIALIZATION_TOKEN}" | base64 --decode) echo "Open in browser: http://127.0.0.1:8080/setup?token=$MBDMS_INITIALIZATION_TOKEN"
```

## 工具模型部署组件安装
bash quick-install-mbdms-deployment.sh

## 工具使用示例

### 步骤1: 准备模型


```yaml
apiVersion: resources.yatai.ai/v1alpha1
kind: BentoRequest
metadata:
    name: iris-classifier
    namespace: yatai
spec:
    bentoTag: iris_classifier:3oevmqfvnkvwvuqj  # 通过 `bentoml list iris_classifier` 查看标签
---
apiVersion: serving.yatai.ai/v2alpha1
kind: BentoDeployment
metadata:
    name: my-bento-deployment
    namespace: yatai
spec:
    bento: iris-classifier
    ingress:
        enabled: true
    resources:
        limits:
            cpu: "500m"
            memory: "512Mi"
        requests:
            cpu: "250m"
            memory: "128Mi"
    autoscaling:
        maxReplicas: 10
        minReplicas: 2
    runners:
        - name: iris_clf
          resources:
              limits:
                  cpu: "1000m"
                  memory: "1Gi"
              requests:
                  cpu: "500m"
                  memory: "512Mi"
        autoscaling:
            maxReplicas: 4
            minReplicas: 1
```

执行部署
bentoml deployments create my_model_deployment --bento my_model:latest --namespace mbdms-deployment

### 步骤4: 验证部署
bentoml deployments describe my_model_deployment --namespace mbdms-deployment

### 步骤5: 访问和测试部署的模型
1.curl -i \
2.  -H "Content-Type: application/json" \
3.  -d '[{"feature1": value1, "feature2": value2, ...}]' \
4.  http://mbdms.whatever.your.domain/predict

## 本工具可实现：

快速生产环境部署
稳定运行保障
高效模型管理