# OpenBayes 贝式计算 · 产品文档

> 让计算更简单 — GPU 算力容器、数据仓库、模型部署、HPC、自动建模、CLI 等产品文档。

This file contains links to documentation sections following the llmstxt.org standard.

## Table of Contents

- [面向 AI / LLM 的文档访问](https://openbayes.com/docs/ai.md): 如何把 OpenBayes 文档喂给 ChatGPT、Claude、Cursor、Claude Code 等 AI 工具
- [如何制作一个好的数据集](https://openbayes.com/docs/automl/data-format/best-practices.md): * 我们的场景解决中需要解决什么样的问题？
- [数据格式：图像分类](https://openbayes.com/docs/automl/data-format/image-classification.md): ```csv title="train_meta.csv"
- [OpenBayes 自动建模数据格式规范介绍](https://openbayes.com/docs/automl/data-format/index.md): OpenBayes 数据格式以 meta.csv 为数据集的主要格式文件，文件以 csv 格式为主体：
- [数据格式：实例分割](https://openbayes.com/docs/automl/data-format/instance-segmentation.md): ```csv title="train_meta.csv"
- [数据格式：目标检测](https://openbayes.com/docs/automl/data-format/object-detection.md): ```csv title="meta.csv"
- [数据格式：语义分割](https://openbayes.com/docs/automl/data-format/semantic-segmantition.md): 标注的图片中，背景的标记为0，每一个类型的标注分别为1，2，3... 以此类推。
- [自动建模介绍](https://openbayes.com/docs/automl/index.md): 在这里介绍通过使用 OpenBayes 自动建模模块，开发者可以快速训练出一个深度学习模型，解决对应的深度学习问题。开发者需要将自己数据集的格式转换成 OpenBayes 数据格式，然后按照步骤使用自动建模模块，通过对应的默认模型或基于默认模型的自动调参，得到一个指标最好的模型。
- [自动建模解决问题总览](https://openbayes.com/docs/automl/solutions/index.md)
- [目标检测](https://openbayes.com/docs/automl/solutions/object-detection.md): ![目标检测图示](/img/docs/automl/object_detection_demo.png)
- [OpenBayes 配置文件](https://openbayes.com/docs/cli/config-file.md): OpenBayes 配置文件（`openbayes.yaml`）与命令行工具结合使用，可以大大简化重复的命令的输入。
- [命令行工具 bayes 基本介绍](https://openbayes.com/docs/cli/index.md): OpenBayes 提供了一个命令行工具 `bayes` 方便在命令行界面直接与 OpenBayes 服务之间进行交互。相比直接在 web 界面进行交互，命令行工具在「创建 Python 脚本」「上传数据集」等诸多方面会更加简单和高效。
- [安装 bayes 命令行工具](https://openbayes.com/docs/cli/install.md): 如何在您的系统上安装 CLI 命令行版本
- [通过 bayes 登录 OpenBayes](https://openbayes.com/docs/cli/login.md): 如何通过 bayes 登录 OpenBayes
- [用 bayes 管理容器](https://openbayes.com/docs/cli/managing-containers.md): `bayes` 命令行下有「工作目录」的概念，它对应着 OpenBayes 容器中的「输出」目录。通过命令行工具创建容器时需要首先把一个本地目录当作「工作目录」并与 OpenBayes 的「容器」建立映射关系，具体操作如下：
- [bayes data create](https://openbayes.com/docs/cli/reference/bayes-data-create.md): 创建一个新的数据集
- [bayes data ls](https://openbayes.com/docs/cli/reference/bayes-data-ls.md): 显示用户的数据集
- [bayes data new-version](https://openbayes.com/docs/cli/reference/bayes-data-new-version.md): 创建一个新的空的数据集版本
- [bayes data open](https://openbayes.com/docs/cli/reference/bayes-data-open.md): 在浏览器打开数据集页面
- [bayes data upload](https://openbayes.com/docs/cli/reference/bayes-data-upload.md): 上传本地数据到数据集
- [bayes data versions](https://openbayes.com/docs/cli/reference/bayes-data-versions.md): 显示用户的数据集的版本列表
- [bayes data](https://openbayes.com/docs/cli/reference/bayes-data.md): 数据集相关
- [bayes gear bindings](https://openbayes.com/docs/cli/reference/bayes-gear-bindings.md): 查看运行容器可绑定的数据
- [bayes gear download](https://openbayes.com/docs/cli/reference/bayes-gear-download.md): 下载容器输出
- [bayes gear env](https://openbayes.com/docs/cli/reference/bayes-gear-env.md): 查看运行容器可选的环境
- [bayes gear init](https://openbayes.com/docs/cli/reference/bayes-gear-init.md): 初始化容器
- [bayes gear logs](https://openbayes.com/docs/cli/reference/bayes-gear-logs.md): 查看容器日志
- [bayes gear ls](https://openbayes.com/docs/cli/reference/bayes-gear-ls.md): 查看所有容器
- [bayes gear open](https://openbayes.com/docs/cli/reference/bayes-gear-open.md): 在浏览器打开容器页面
- [bayes gear resource](https://openbayes.com/docs/cli/reference/bayes-gear-resource.md): 查看运行容器可选的资源
- [bayes gear restart](https://openbayes.com/docs/cli/reference/bayes-gear-restart.md): 继续执行容器
- [bayes gear run](https://openbayes.com/docs/cli/reference/bayes-gear-run.md): 运行容器
- [bayes gear status](https://openbayes.com/docs/cli/reference/bayes-gear-status.md): 查看容器下的所有任务
- [bayes gear stop](https://openbayes.com/docs/cli/reference/bayes-gear-stop.md): 停止容器
- [bayes gear](https://openbayes.com/docs/cli/reference/bayes-gear.md): 容器相关
- [bayes login](https://openbayes.com/docs/cli/reference/bayes-login.md): 登录
- [bayes logout](https://openbayes.com/docs/cli/reference/bayes-logout.md): 注销
- [bayes org ls](https://openbayes.com/docs/cli/reference/bayes-org-ls.md): 查看所属组织
- [bayes org status](https://openbayes.com/docs/cli/reference/bayes-org-status.md): 组织信息
- [bayes org switch](https://openbayes.com/docs/cli/reference/bayes-org-switch.md): 组织切换
- [bayes org](https://openbayes.com/docs/cli/reference/bayes-org.md): 组织相关
- [bayes ssh create](https://openbayes.com/docs/cli/reference/bayes-ssh-create.md): 创建新的 SSH key
- [bayes ssh upload](https://openbayes.com/docs/cli/reference/bayes-ssh-upload.md): 上传 SSH 公钥
- [bayes ssh](https://openbayes.com/docs/cli/reference/bayes-ssh.md): SSH 相关
- [bayes status](https://openbayes.com/docs/cli/reference/bayes-status.md): 登录信息
- [bayes switch](https://openbayes.com/docs/cli/reference/bayes-switch.md): 切换服务端环境
- [bayes](https://openbayes.com/docs/cli/reference/bayes.md): OpenBayes CLI 命令行版本
- [bayes 命令索引介绍](https://openbayes.com/docs/cli/reference/index.md): 命令行工具的所有命令通过增加 `-h` 参数可以获取对应命令的帮助信息。例如
- [用 bayes 上传数据](https://openbayes.com/docs/cli/upload-dataset.md): 这里我们介绍如何使用 `bayes` 上传数据集的完整流程：
- [数据上传](https://openbayes.com/docs/data-warehouse/data-upload.md): 目前 OpenBayes 有以下多种方式进行数据上传：
- [数据集的版本](https://openbayes.com/docs/data-warehouse/dataset-versions.md): 数据集每次创建成功后将会以递增的方式添加一个版本，可以在页面上「版本」的 Tab 中查看所有上传数据的版本。
- [数据集管理](https://openbayes.com/docs/data-warehouse/datasets.md): 见 [数据上传](/docs/data-warehouse/data-upload/)。
- [数据仓库 FAQ（常见问题解答）](https://openbayes.com/docs/data-warehouse/faq.md): 数据仓库常见问题的汇总及解答
- [数据仓库介绍](https://openbayes.com/docs/data-warehouse/index.md): ![](/img/docs/2020-08-27-16-05-12.png)
- [模型的版本](https://openbayes.com/docs/data-warehouse/model-versions.md): 模型仓库每次创建成功后将会以递增的方式添加一个版本，可以在页面上「版本」的 Tab 中查看所有上传的版本。
- [模型管理](https://openbayes.com/docs/data-warehouse/models.md): 模型与数据集的使用非常类似，主要用于存放模型文件、与模型文件配合使用的代码等。这里注重介绍一些与数据集不同的内容。
- [用 Conda 进行依赖管理](https://openbayes.com/docs/gear/conda.md): :::caution
- [算力容器数据绑定](https://openbayes.com/docs/gear/databinding.md): <iframe width="100%" height="540px" src="//player.bilibili.com/player.html?aid=749069601&bvid=BV1MC4y1A72S&cid=1349964795&p=1" scrolling="no" borde...
- [环境变量与 Secret 变量](https://openbayes.com/docs/gear/env-vars.md): 在创建或配置算力容器（任务、Jupyter 工作空间）时，可以在「环境变量」区域为执行注入一组 `变量名称 / 变量值` 形式的环境变量，用于控制容器的行为，例如传入第三方服务的 Token、模型仓库地址等。
- [自定义端口映射与服务暴露](https://openbayes.com/docs/gear/expose-service.md): 如何将 OpenBayes 容器内的服务暴露到外部网络
- [算力容器 FAQ（常见问题解答）](https://openbayes.com/docs/gear/faq.md): 算力容器常见问题的汇总及解答
- [算力容器介绍](https://openbayes.com/docs/gear/index.md): 介绍 OpenBayes 算力容器的使用方式
- [容器间通讯](https://openbayes.com/docs/gear/internal-ssh.md): 如果需要两个运行中的容器之间传递数据，最方便的方法是通过 `ssh / scp` 或者 `rsync`。
- [算力容器的限额](https://openbayes.com/docs/gear/limitation.md): 介绍算力容器相关的运行限制与自动清理规则
- [系统指标与自定义指标](https://openbayes.com/docs/gear/metrics.md): OpenBayes 默认提供了执行时的关键指标的展示，目前支持的有 CPU 、内存、`gpu-0-memory`、`gpu-0-util` 以及 存储资源。未来将支持更多的指标。
- [算力容器的工作目录](https://openbayes.com/docs/gear/output.md): 每次「执行」开始运行之后其运行时环境都会绑定其目录 `/openbayes/home`，作为容器的「工作目录」。该目录下的内容会在「执行」关闭后被保存下来，并可以通过页面中的「工作目录」选项卡查看。
- [算力容器的执行记录](https://openbayes.com/docs/gear/records.md): 容器每次执行都是**独立的运行环境**，这样的好处是保证每次容器的环境隔离，避免因为某一次环境出现的问题导致其他环境的破坏，这也是 OpenBayes 与我们直接在本地运行环境的一个优势。你可以认为每次开启的算力容器都是一个独立的沙箱，即使出现了问题再次开启新的环境即可。
- [远程连接运行中的 Jupyter](https://openbayes.com/docs/gear/remote-connect-jupyter.md): 在 [通过 SSH 连接运行中的 Jupyter 执行](/docs/gear/ssh) 中介绍了通过 ssh 协议连接运行中的 Jupyter 的方法，除此之外 OpenBayes 中的 Jupyter 服务也可以直接通过 Jupyter Server 的 URL 直接连接。这样就可以让本地...
- [使用 SSH Tunnel 访问容器的服务](https://openbayes.com/docs/gear/ssh-tunnel.md): :::info 提示
- [通过 SSH 连接运行中的 Jupyter 工作空间](https://openbayes.com/docs/gear/ssh.md): OpenBayes 支持通过 SSH 协议来访问运行中的 Jupyter 类型的执行。有两种通过 SSH 访问机器的验证方式：
- [算力容器存储持久化说明](https://openbayes.com/gear/storage-persistence.md): 详解 OpenBayes 容器中哪些存储内容在重启后会丢失
- [使用 TensorBoard](https://openbayes.com/docs/gear/tensorboard.md): 为了更方便 TensorFlow 程序的理解、调试与优化，TensorFlow 团队发布了一套名为 [TensorBoard](http://www.tensorfly.cn/tfdoc/how_tos/summaries_and_tensorboard.html) 的可视化工具。可以用 Te...
- [用 uv 管理 Python 环境](https://openbayes.com/docs/gear/uv.md): :::info
- [Jupyter 工作空间](https://openbayes.com/docs/gear/workspace.md): 「Jupyter 工作空间」（后面也会直接称为「工作空间」）是 OpenBayes 提供的交互式开发环境。本质上，它是 `Job(mode=WORKSPACE)` 的一种运行形态：
- [关键概念](https://openbayes.com/docs/getting-started/concepts.md): OpenBayes 产品的关键概念
- [FAQ（常见问题解答）](https://openbayes.com/docs/getting-started/faq.md): OpenBayes 常见问题的汇总及解答
- [快速上手](https://openbayes.com/docs/getting-started/index.md): 用 OpenBayes 开启第一个 Jupyter 工作空间
- [配额限制](https://openbayes.com/docs/getting-started/limitations.md): 介绍 OpenBayes 中资源配额限制的含义和作用范围
- [资源计费方式](https://openbayes.com/docs/getting-started/payment-methods.md): OpenBayes 产品算力资源计费方式
- [资源以及用量](https://openbayes.com/docs/getting-started/quota-and-usage.md): <iframe width="100%" height="540px" src="//player.bilibili.com/player.html?aid=871762411&bvid=BV1tV4y1i7Tz&cid=1222290565&page=1" scrolling="no" bo...
- [Deep Learning with PyTorch 教程](https://openbayes.com/docs/getting-started/tutorial-jupyterlab-deep-learning-with-pytorch.md): [快速上手](/docs/getting-started/) 讲解了如何用 OpenBayes 运行第一个 JupyterLab，这里我们具体介绍如何用 OpenBayes 的 Jupyter 工作空间克隆一个公开教程。
- [OpenBayes 下识别手写数字](https://openbayes.com/docs/getting-started/tutorial-mnist.md): 如果你了解机器学习，特别是近年来非常流行的深度学习方法，那么你很可能听说过 MNIST 这个数据集。该数据集来自美国国家标准与技术研究所（National Institute of Standards and Technology，简称 NIST）。训练集（training set）由来自 2...
- [OpenBayes 文档中心](https://openbayes.com/docs/home.md): OpenBayes 平台开发者文档
- [HPC 入门教程](https://openbayes.com/docs/hpc/hpc.md): 在 OpenBayes 上运行 gromacs 科学计算作业
- [RStudio  操作指南](https://openbayes.com/docs/hpc/tutorial-hpc-rstudio.md): 在 OpenBayes 上启动 RStudio
- [OpenBayes 自动调参介绍](https://openbayes.com/docs/hypertuning/index.md): 在构建机器学习模型的过程中需要很多的**超参数**，**超参数**的选择极大的影响了最终获取的模型的效果，自动调参是指通过系统自动获取最优超参数集合的方法。
- [公共资源 FAQ（常见问题解答）](https://openbayes.com/docs/open-resources/faq.md): 公共资源常见问题的汇总及解答
- [公共资源概览](https://openbayes.com/docs/open-resources/index.md): 提供了一些常见的公开数据集、预训练模型以及公开的教程
- [组织功能概览](https://openbayes.com/docs/org/index.md): OpenBayes 支持创建组织。组织可以方便的管理数据仓库和容器等资源。并可以通过添加组织成员来实现多人协作。
- [组织资源管理](https://openbayes.com/docs/org/resource-management.md): 每个组织是独立的命名空间，这意味着「数据仓库」「算力容器」在组织下有独立的访问权限。同时，组织下的「存储」「计算资源」也是独立的。
- [运行时环境 FAQ（常见问题解答）](https://openbayes.com/docs/runtimes/faq.md): 运行时环境（镜像）常见问题的汇总及解答
- [运行时环境（镜像）概览](https://openbayes.com/docs/runtimes/index.md): OpenBayes 默认在运行时环境中包含了大量的基础依赖，以减少在每次容器启动时耗费运行资源进行依赖的下载与安装。
- [运行时环境列表（总索引）](https://openbayes.com/docs/runtimes/reference/index.md): 目前支持的运行时环境
- [paddle:2.5.2-py38-cu118](https://openbayes.com/docs/runtimes/reference/paddle-2.5.2-py38-cu118.md): ```
- [pytorch:1.10.2-py38-cu113](https://openbayes.com/docs/runtimes/reference/pytorch-1.10.2-py38-cu113.md): ```
- [pytorch:1.11.0-py38-cu113](https://openbayes.com/docs/runtimes/reference/pytorch-1.11.0-py38-cu113.md): ```
- [pytorch:1.12.1-py38-cu113](https://openbayes.com/docs/runtimes/reference/pytorch-1.12.1-py38-cu113.md): ```
- [pytorch:1.13.1-py38-cu117](https://openbayes.com/docs/runtimes/reference/pytorch-1.13.1-py38-cu117.md): ```
- [pytorch:1.8.2-py36-cu102](https://openbayes.com/docs/runtimes/reference/pytorch-1.8.2-py36-cu102.md): ```
- [pytorch:2.0.0-py38-cu117](https://openbayes.com/docs/runtimes/reference/pytorch-2.0.0-py38-cu117.md): ```
- [pytorch:2.0.1-py38-cu118](https://openbayes.com/docs/runtimes/reference/pytorch-2.0.1-py38-cu118.md): ```
- [pytorch:2.1.0-py310-cu121](https://openbayes.com/docs/runtimes/reference/pytorch-2.1.0-py310-cu121.md): ```
- [tensorflow:1.15.0-py36-cpu](https://openbayes.com/docs/runtimes/reference/tensorflow-1.15.0-py36-cpu.md): ```
- [tensorflow:1.15.0-py36-cu100](https://openbayes.com/docs/runtimes/reference/tensorflow-1.15.0-py36-cu100.md): ```
- [tensorflow:2.12.0-py38-cu118](https://openbayes.com/docs/runtimes/reference/tensorflow-2.12.0-py38-cu118.md): ```
- [tensorflow:2.2.0-py36-cpu](https://openbayes.com/docs/runtimes/reference/tensorflow-2.2.0-py36-cpu.md): ```
- [tensorflow:2.2.0-py36-cu101](https://openbayes.com/docs/runtimes/reference/tensorflow-2.2.0-py36-cu101.md): ```
- [tensorflow:2.7.1-py38-cu113](https://openbayes.com/docs/runtimes/reference/tensorflow-2.7.1-py38-cu113.md): ```
- [tensorflow:2.8.2-py38-cu113](https://openbayes.com/docs/runtimes/reference/tensorflow-2.8.2-py38-cu113.md): ```
- [磁盘性能](https://openbayes.com/docs/runtimes/storage-perf.md): - 存储节点的总磁盘数，磁盘数越多性能越好
- [快速上手](https://openbayes.com/docs/serving/01-getting-started.md): <iframe width="100%" height="540px" src="//player.bilibili.com/player.html?isOutside=true&aid=114500070019639&bvid=BV1yaEFzKEbr&cid=29940187312&p=1...
- [依赖管理](https://openbayes.com/docs/serving/03-dependencies.md): 如果需要安装额外的依赖，可以按照以下的方式做配置。这些配置文件会在部署服务启动时自动执行，无需手动干预。
- [模型部署的管理](https://openbayes.com/docs/serving/04-manage-servings.md): - `准备中` 正在启动
- [API Key 管理](https://openbayes.com/docs/serving/05-api-key-management.md): 模型部署的 API Key 管理功能说明
- [自定义镜像](https://openbayes.com/docs/serving/06-custom-images.md): :::info
- [Serving 服务编写（迁移说明）](https://openbayes.com/docs/serving/09-predictor.md): Predictor 方式下线后的迁移指引
- [模型部署介绍](https://openbayes.com/docs/serving/index.md): 介绍在 OpenBayes 下的模型部署
- [First Order Motion Model（damedane、蚂蚁呀嘿）制作教程](https://openbayes.com/docs/tutorials/damedane-first-order-motion.md): 由于 b 站的审核原因，不允许 UP 主上传和「AI 换脸」相关的教程视频。但是产出物的审核相对叫较松。视具体内容而定，因此在本站提供 damedane 在线制作的教程文字版备忘。通过该教程你可以：
- [教程：在 OpenBayes 上使用 SGLang 部署 DeepSeek V3](https://openbayes.com/docs/tutorials/deepseek-setup-with-openbayes.md): 详细指导如何在 OpenBayes 平台上使用 SGLang 部署和使用 DeepSeek V3 大型语言模型
- [教程：基于 UIE 的命名实体识别](https://openbayes.com/docs/tutorials/finetune-ner-in-uie.md): 使用 PaddleNLP 中的 UIE 模型，通过少量数据标注实现 NER 效果的快速提升
- [教程：如何优化 Git 下载速度](https://openbayes.com/docs/tutorials/git-speed-acceleration.md): 由于 [众所周知的原因](https://en.wikipedia.org/wiki/Great_Firewall)，我们访问 GitHub 的速度非常不稳定，时快时慢，甚至有时候会无法连接，这导致有时候在 OpenBayes 平台上无法正常克隆 git 项目，或者说会导致速度非常的慢。目前我...
- [教程： 使用 PaddleOCR 实现集装箱箱号检测识别](https://openbayes.com/docs/tutorials/paddleocr-to-recognize-cargo-container-numbers.md): 使用 PaddleOCR 在 OpenBayes 中训练集装箱箱号检测模型与识别模型
- [教程：使用 Label Studio 的 machine learning backend 进行辅助标注和训练](https://openbayes.com/docs/tutorials/use-label-studio-ml-backend-with-uie.md): 使用 Label Studio 的 Machine Learning Backend 整合标注与训练，加速模型的迭代