fmind/cookiecutter-mlops-package

解决的问题

消除从零开始搭建专业 MLOps 环境的重复性开销。开发者无需为每个新的机器学习项目手动配置代码格式化、测试、安全扫描和 CI/CD 流水线，而是可以使用此模板快速启动一个符合行业最佳实践的生产就绪代码库。

如何工作

这是一个 Cookiecutter 模板，用于生成标准化的 Python 项目结构。它集成了现代化的工具链，以自动化开发生命周期：

• 任务管理：使用 mise 定义一套统一的命令（安装、测试、构建），在本地开发和 CI 中通用。
• Python 堆栈：使用 uv 实现快速依赖管理，Ruff 进行代码检查与格式化，ty 执行类型检查。
• 安全：集成 pip-audit、gitleaks、Trivy 和 hadolint，用于扫描漏洞和敏感信息。
• 部署：提供多阶段 Docker 镜像和 GitHub Actions 工作流，支持持续集成与部署。
• 实验追踪：包含本地 MLflow 配置，使用 SQLite 后端进行实验追踪和模型注册。

适用人群

需要构建可集成到 Kubernetes、Vertex AI、Databricks、Azure ML 或 AWS SageMaker 等平台的稳健、可扩展 AI/ML 包的 ML 工程师和数据科学家。

主要亮点

• 统一词汇：开发人员、Git 钩子和 CI 流水线使用同一组命令。
• 安全优先：内置依赖项 CVE、敏感信息和容器镜像漏洞扫描功能。
• 自动化 CI/CD：预配置的 GitHub Actions 支持测试、文档发布到 GitHub Pages 以及镜像推送至 GHCR。
• 现代工具链：利用 uv 和 Ruff 等高性能工具，实现更快的开发循环。