awesome-mlops

一张清单，快速摸清 MLOps 工具全家桶，选型不抓瞎

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署基础设施 🍴 复刻 823 🐛 待处理 118 👀 关注 90

GitHub ↗

GitHub 星标 ★ 5312

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源项目，完全免费，无付费版本。

项目预览

awesome-mlops 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类基础设施

开发团队kelvins

GitHubhttps://github.com/kelvins/awesome-mlops

定价模式🏷️完全免费

价格说明开源项目，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

主要语言Python

技术栈/模型ai,awesome,data-science,machine-learning,machine-learning-engineering,ml,mle,mlops

GitHub 星标★ 5312

上线时间2020-05-25 00:00:00

代码更新2026-10-30

仓库体积591 KB

本站数据更新2026-11-10

维护状态较活跃

收录时间2026-08-09

浏览次数5

项目介绍

这是一个精心整理的 MLOps 工具精选清单，旨在帮助机器学习工程师、数据科学家和平台团队快速发现和评估生产环境中所需的各类工具。项目将 MLOps 生态按功能模块分类，涵盖数据管理、模型训练与调优、实验跟踪、模型部署与 serving、工作流编排、监控与可观测性、特征存储、数据标注等环节，并附有每类工具的简要说明和链接。它解决了 MLOps 领域工具碎片化、选型困难的问题，为团队搭建机器学习平台提供了一份可检索的导航地图。核心能力在于其系统化的分类体系和持续更新的社区维护机制，是进入 MLOps 领域或进行技术选型时的实用参考。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 5312

技术标签

ai awesome data-science machine-learning ml

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 5 分钟部署方式：本地安装 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

能访问 GitHub 的网络环境
本机已安装 git（用于克隆清单仓库，也可直接在网页查看）
浏览器或任意 Markdown 阅读器（用于阅读 README 清单）

安装与启动步骤

1克隆清单仓库

把精选清单下载到本地。README 未提供任何安装或运行命令，此步仅为获取清单内容的通用做法。
```
git clone https://github.com/kelvins/awesome-mlops.git
```
2进入仓库目录

切换到仓库根目录，README.md 就在此处，后续查看分类清单都在该目录下进行。
```
cd awesome-mlops
```
3查看清单内容

README 以目录形式列出 AutoML、数据管理、模型服务、工作流等分类，可直接通读整份清单。
```
cat README.md
```
4按关键词定位分类

用 grep 搜索环节名称，快速跳到对应小节，例如模型服务、特征存储、漂移检测。
```
grep -n -i "Model Serving" README.md
```
5跳转工具官方文档

清单中每个条目都附有工具链接，点开链接查看该工具自身的部署方式，再按需选型。