sematic

用纯 Python 构建可复现的 ML 流水线，一键上云

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 63 🐛 待处理 131 👀 关注 11

GitHub ↗

GitHub 星标 ★ 1003

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，可免费使用和部署。

项目预览

项目数据

分类基础设施

开发团队sematic-ai

GitHubhttps://github.com/sematic-ai/sematic

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可证，可免费使用和部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型ai,data-science,machine-learning,ml,ml-ops,ml-pipeline,ml-pipelines,mlops,pipeline,python,python3

GitHub 星标★ 1003

上线时间2022-04-19 00:00:00

代码更新2025-01-09

仓库体积20.7 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数3

项目介绍

Sematic 是一个开源的机器学习流水线开发平台，旨在解决 ML 工程中实验、调度和部署的复杂性问题。它允许开发者用纯 Python 编写流水线，通过装饰器将函数封装为可执行的步骤，并自动处理依赖、缓存和并发。平台提供了云端执行、实时日志、可视化流水线图以及可复现的元数据追踪，帮助团队从原型快速过渡到生产环境。其核心能力包括本地与云端无缝切换、失败重试、资源管理以及与主流云服务的集成。Sematic 强调开发者体验，减少基础设施负担，让数据科学家更专注于模型和算法本身。

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 ★ 1003

技术标签

ai data-science machine-learning ml mlops

使用教程

难度：入门约 10 分钟部署方式：本地安装 6 步

环境要求

已安装 Python 3 环境（README 中命令使用 python3 与 pip）
已安装 pip 包管理器，可执行 pip install
云/集群执行需自备 Kubernetes 集群（可选，详见官方文档）

安装与启动步骤

1安装 Sematic

在当前 Python 环境中安装 Sematic 包，README 强调无需任何部署或基础设施即可开始。
```
pip install sematic
```
2启动本地仪表盘

启动本地 Web 仪表盘，用于查看流水线图、实时日志与元数据追踪。
```
sematic start
```
3运行示例流水线

运行官方仓库自带的 MNIST PyTorch 示例，验证本地执行链路是否正常。
```
sematic run examples/mnist/pytorch
```
4创建新项目

生成一个新的样板项目 my_new_project，作为编写自己流水线的起点。
```
sematic new my_new_project
```
5从示例创建项目

以现有 MNIST 示例为模板创建项目，便于快速改造为自己的流水线。
```
sematic new my_new_project --from examples/mnist/pytorch
```
6运行自己项目

以模块方式运行刚创建的项目，在本地仪表盘中观察执行结果。
```
python3 -m my_new_project
```