ml-workflow-automation 是模型训练领域的开源项目，由 AlexIoannides 开发，2019 年首次发布。
它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 68。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-25。无在线服务，需自行部署，完全免费。
它主要面向的使用场景是：数据科学家快速将实验模型转为在线服务。同类可对比的替代方案包括 Kubeflow、MLflow、Seldon Core。
ml-workflow-automation
在 Notebook 里一键把模型部署到 Kubernetes，实现 ML 工作流自动化。
这是一个用 Jupyter Notebook 演示典型机器学习工作流的 Python 项目，核心亮点是将模型自动部署为 Kubernetes 上的 RESTful 服务。它解决的是从模型训练到上线服务的端到端流程自动化问题，覆盖数据准备、模型训练、评估、打包、部署等环节，让开发者能在一个 Notebook 里完成从实验到生产的完整闭环。项目基于 Kubernetes 实现弹性伸缩和高可用，适合希望快速搭建 ML 服务化基础设施的团队参考。
开源
free
基础设施
GitHub 星标
★ 68
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类基础设施
开发团队AlexIoannides
所属国家
定价模式free
价格说明开源项目，无在线服务，需自行部署，完全免费。
访问状态
是否开源是
开源协议
主要语言Jupyter Notebook
技术栈/模型classification,data-science,flask,helm,jupyter-notebook,kaggle,kubernetes,machine-learning,mlops,numpy,pandas,python,rest-api,sklearn
GitHub 星标★ 68
30天Star增速
HF 下载量
上线时间2019-02-11 00:00:00
最近更新2026-08-25 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数12
使用教程
核心亮点
- 完整演示了从数据到 REST API 的 ML 工作流，学习路径清晰
- 利用 Kubernetes 实现模型服务自动部署，具备生产级扩展能力
- 基于 Jupyter Notebook，交互式开发降低上手门槛
不足之处
- 文档/社区待观察
- 项目处于早期，示例场景可能较单一
适用场景
- 数据科学家快速将实验模型转为在线服务
- 团队搭建标准化的 ML 部署流程参考
- 教学演示如何结合 Notebook 与 Kubernetes
替代项目
Kubeflow、MLflow、Seldon Core
项目介绍
下一篇：MLOps
同类项目推荐
Long-RL
开源
让强化学习轻松驾驭超长序列，训练更稳更快
Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)
TPA
开源
把注意力复杂度从平方降到线性，长序列不再卡顿
[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···
minimind
开源
两小时造出你的小模型，练手入门不求人
Train a 64M-parameter LLM from scratch in just 2h!
pruna
开源
一键优化 AI 模型，推理提速又省资源。
Pruna is a model optimization framework built for developers, enabling you to delive···