fmind/cookiecutter-mlops-package

解决的问题

本项目为 MLOps 项目提供标准化、可投入生产环境的坚实基础。它消除了重复构建、测试、打包和部署 Python 包及 Docker 镜像的繁琐流程，使开发者能够以一致的结构和预配置的工具链，快速启动 AI/ML 代码库。

如何工作

这是一个 Cookiecutter 模板，可生成完整的项目结构。生成的项目采用现代 Python 技术栈，包括使用 uv 进行依赖管理、Ruff 进行代码检查，以及使用 mise 统一任务执行（安装、测试、构建）。项目内置对 MLflow 的支持，用于追踪和模型注册（使用 SQLite 作为后端），并提供多阶段 Docker 镜像和 GitHub Actions 工作流以实现 CI/CD（包括自动将文档部署到 GitHub Pages）。

适用人群

需要构建可复用的 AI/ML 组件，以便集成到 Kubernetes、Vertex AI、Databricks、Azure ML 或 AWS SageMaker 等各种 MLOps 平台的机器学习工程师和数据科学家。

主要亮点

• 统一的任务词汇：使用 mise 确保本地开发、Git 钩子和 CI 中使用相同的命令。
• 快速的 Python 技术栈：利用 uv 和 Ruff 实现高性能的依赖管理和代码质量控制。
• 集成的安全性：内置依赖项 CVE 扫描（pip-audit）、敏感信息扫描（gitleaks）和容器镜像扫描（Trivy）。
• 开箱即用的 CI/CD：包含 GitHub Actions，支持自动测试、发布和安全重扫描。
• MLflow 集成：预配置为使用本地 SQLite 存储进行追踪和模型注册。