awesome-mlops

一站式查遍 MLOps 工具，选型不再愁

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 2136 🐛 待处理 51 👀 关注 380

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 14291

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，免费提供，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visenger

官网地址https://ml-ops.org

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

定价模式🏷️完全免费

价格说明开源项目，免费提供，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

技术栈/模型ai,data-science,devops,engineering,federated-learning,machine-learning,ml,mlops,software-engineering

GitHub 星标★ 14291

上线时间2020-03-03 00:00:00

代码更新2024-11-21

仓库体积1.4 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5

项目介绍

awesome-mlops 是一个精心整理的 MLOps 资源列表，旨在为机器学习工程师、数据科学家和平台团队提供一站式参考。它系统性地收集了从模型开发、训练、部署到监控、治理的全链路工具和最佳实践，解决了 MLOps 领域工具碎片化、选型困难的问题。项目按功能分类（如编排、特征存储、实验跟踪、模型服务等），每个类别下列出主流开源项目和商业产品，并附有简要说明和链接。核心能力在于其结构化的信息组织方式和持续的社区更新，帮助用户快速了解生态、对比方案并落地 MLOps 实践。

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 ★ 14291

技术标签

ai data-science devops engineering federated-learning

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
本地已安装 git（用于克隆仓库）
任意浏览器或文本编辑器（用于阅读 README 链接）

安装与启动步骤

1克隆资源仓库

把 awesome-mlops 仓库下载到本地，README 未提供任何安装命令，克隆后即可离线阅读全部链接。
```
git clone https://github.com/visenger/awesome-mlops.git
```
2进入项目目录

切换到克隆下来的目录，里面主要是 README.md 等文档文件，没有可执行代码。
```
cd awesome-mlops
```
3阅读 README 目录

README 顶部有 Table of Contents，按 MLOps Core、Feature Stores、Model Deployment 等分类索引全部资源。
```
cat README.md
```
4展开部署章节

README 中部署章节使用 details 折叠标签，需要点击「Click to expand!」才能看到具体文章与工具链接。
5访问项目官网

README 顶部指向 ml-ops.org，可获取 MLOps 方法论与最佳实践的补充资料。