Docker Model Runner Cheatsheet: Befehle & Beispiele

Schnelle Referenz für Docker Model Runner-Befehle

Docker Model Runner (DMR) ist die offizielle Lösung von Docker zum lokalen Ausführen von KI-Modellen, eingeführt im April 2025. Dieses Cheatblatt bietet eine schnelle Referenz für alle wesentlichen Befehle, Konfigurationen und Best Practices.

Liste der Gemma-Modelle, die in Docker Model Runner verfügbar sind

Installation

Docker Desktop

Aktivieren Sie Docker Model Runner über die GUI:

  1. Öffnen Sie Docker Desktop
  2. Gehen Sie zu Einstellungen → KI-Registerkarte
  3. Klicken Sie auf Docker Model Runner aktivieren
  4. Starten Sie Docker Desktop neu

/home/rg/prj/hugo-pers/content/post/2025/10/docker-model-runner-cheatsheet/docker-model-runner_w678.jpg Docker Model Runner Windows

Docker Engine (Linux)

Installieren Sie das Plugin-Paket:

# Ubuntu/Debian
sudo apt-get update
sudo apt-get install docker-model-plugin

# Fedora/RHEL
sudo dnf install docker-model-plugin

# Arch Linux
sudo pacman -S docker-model-plugin

Überprüfen Sie die Installation:

docker model --help

Kernbefehle

Modelle herunterladen

Laden Sie vorkonfigurierte Modelle von Docker Hub herunter:

# Grundlegendes Herunterladen
docker model pull ai/llama2

# Spezifische Version herunterladen
docker model pull ai/llama2:7b-q4

# Von einem benutzerdefinierten Registry herunterladen
docker model pull myregistry.com/models/mistral:latest

# Verfügbare Modelle in einem Namensraum auflisten
docker search ai/

Modelle ausführen

Starten Sie ein Modell mit automatischer API-Bereitstellung:

# Grundlegendes Ausführen (interaktiv)
docker model run ai/llama2 "Was ist Docker?"

# Als Dienst ausführen (Hintergrund)
docker model run -d --name my-llm ai/llama2

# Mit benutzerdefiniertem Port ausführen
docker model run -p 8080:8080 ai/llama2

# Mit GPU-Spezifikation ausführen
docker model run --gpus 0,1 ai/llama2

# Mit Speicherbegrenzung ausführen
docker model run --memory 8g ai/llama2

# Mit Umgebungsvariablen ausführen
docker model run -e MODEL_CONTEXT=4096 ai/llama2

# Mit Volume-Mount für persistente Daten ausführen
docker model run -v model-data:/data ai/llama2

Modelle auflisten

Anzeigen der heruntergeladenen und ausgeführten Modelle:

# Alle heruntergeladenen Modelle auflisten
docker model ls

# Laufende Modelle auflisten
docker model ps

# Mit detaillierten Informationen auflisten
docker model ls --all --format json

# Nach Name filtern
docker model ls --filter "name=llama"

Modelle stoppen

Stoppen Sie laufende Modellinstanzen:

# Spezifisches Modell stoppen
docker model stop my-llm

# Alle laufenden Modelle stoppen
docker model stop $(docker model ps -q)

# Mit Timeout stoppen
docker model stop --time 30 my-llm

Modelle entfernen

Löschen Sie Modelle aus dem lokalen Speicher:

# Spezifisches Modell entfernen
docker model rm ai/llama2

# Mit erzwingen entfernen (auch wenn laufend)
docker model rm -f ai/llama2

# Nicht verwendete Modelle bereinigen
docker model prune

# Alle Modelle entfernen
docker model rm $(docker model ls -q)

Packaging benutzerdefinierter Modelle

Erstellen eines OCI-Artifacts aus GGUF

Paketieren Sie Ihre eigenen GGUF-Modelle:

# Grundlegendes Paketieren
docker model package --gguf /path/to/model.gguf myorg/mymodel:latest

# Paketieren mit Metadaten
docker model package \
  --gguf /path/to/model.gguf \
  --label "description=Benutzerdefiniertes Llama-Modell" \
  --label "version=1.0" \
  myorg/mymodel:v1.0

# Paketieren und hochladen in einem Befehl
docker model package --gguf /path/to/model.gguf --push myorg/mymodel:latest

# Paketieren mit benutzerdefinierter Kontextgröße
docker model package \
  --gguf /path/to/model.gguf \
  --context 8192 \
  myorg/mymodel:latest

Modelle veröffentlichen

Laden Sie Modelle in Registries hoch:

# Anmelden bei Docker Hub
docker login

# Hochladen zu Docker Hub
docker model push myorg/mymodel:latest

# Hochladen zu privatem Registry
docker login myregistry.com
docker model push myregistry.com/models/mymodel:latest

# Taggen und hochladen
docker model tag mymodel:latest myorg/mymodel:v1.0
docker model push myorg/mymodel:v1.0

API-Nutzung

OpenAI-kompatible Endpunkte

Docker Model Runner stellt automatisch OpenAI-kompatible APIs bereit:

# Starten Sie das Modell mit API
docker model run -d -p 8080:8080 --name llm ai/llama2

# Chat-Vervollständigung
curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "llama2",
    "messages": [{"role": "user", "content": "Hallo!"}]
  }'

# Textgenerierung
curl http://localhost:8080/v1/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "llama2",
    "prompt": "Es war einmal",
    "max_tokens": 100
  }'

# Streaming-Antwort
curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "llama2",
    "messages": [{"role": "user", "content": "Erzählen Sie mir eine Geschichte"}],
    "stream": true
  }'

# Verfügbare Modelle über API auflisten
curl http://localhost:8080/v1/models

# Modellinformationen
curl http://localhost:8080/v1/models/llama2

Docker Compose-Konfiguration

Grundlegende Compose-Datei

version: '3.8'

services:
  llm:
    image: docker-model-runner
    model: ai/llama2:7b-q4
    ports:
      - "8080:8080"
    environment:
      - MODEL_CONTEXT=4096
      - MODEL_TEMPERATURE=0.7
    volumes:
      - model-data:/root/.cache
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

volumes:
  model-data:

Multi-Modell-Setup

version: '3.8'

services:
  llama:
    image: docker-model-runner
    model: ai/llama2
    ports:
      - "8080:8080"

  mistral:
    image: docker-model-runner
    model: ai/mistral
    ports:
      - "8081:8080"

  embedding:
    image: docker-model-runner
    model: ai/nomic-embed-text
    ports:
      - "8082:8080"

Für erweiterte Docker Compose-Konfigurationen und -Befehle siehe unser Docker Compose Cheatsheet, das Netzwerk, Volumes und Orchestrierungsmuster abdeckt.

Umgebungsvariablen

Konfigurieren Sie das Modellverhalten mit Umgebungsvariablen:

# Kontextfenstergröße
MODEL_CONTEXT=4096

# Temperatur (0.0-1.0)
MODEL_TEMPERATURE=0.7

# Top-p-Sampling
MODEL_TOP_P=0.9

# Top-k-Sampling
MODEL_TOP_K=40

# Maximale Tokens
MODEL_MAX_TOKENS=2048

# Anzahl der GPU-Layers
MODEL_GPU_LAYERS=35

# Batch-Größe
MODEL_BATCH_SIZE=512

# Thread-Zahl (CPU)
MODEL_THREADS=8

# Aktivieren Sie detaillierte Protokollierung
MODEL_VERBOSE=true

# API-Schlüssel für Authentifizierung
MODEL_API_KEY=your-secret-key

Ausführen mit Umgebungsvariablen:

docker model run \
  -e MODEL_CONTEXT=8192 \
  -e MODEL_TEMPERATURE=0.8 \
  -e MODEL_API_KEY=secret123 \
  ai/llama2

GPU-Konfiguration

Automatische GPU-Erkennung

DMR erkennt automatisch verfügbare GPUs und nutzt sie:

# Alle GPUs verwenden
docker model run --gpus all ai/llama2

# Spezifische GPU verwenden
docker model run --gpus 0 ai/llama2

# Mehrere spezifische GPUs verwenden
docker model run --gpus 0,1,2 ai/llama2

# GPU mit Speicherbegrenzung
docker model run --gpus all --memory 16g ai/llama2

CPU-Only-Modus

Erzwingen Sie CPU-Inferenz, wenn eine GPU verfügbar ist:

docker model run --no-gpu ai/llama2

Multi-GPU-Tensor-Parallelität

Verteilen Sie große Modelle über GPUs:

docker model run \
  --gpus all \
  --tensor-parallel 2 \
  ai/llama2-70b

Inspektion und Debugging

Modelldetails anzeigen

# Modellkonfiguration inspizieren
docker model inspect ai/llama2

# Modellschichten anzeigen
docker model history ai/llama2

# Modellgröße und Metadaten überprüfen
docker model inspect --format='{{.Size}}' ai/llama2

Protokolle und Überwachung

# Modellprotokolle anzeigen
docker model logs llm

# Protokolle in Echtzeit verfolgen
docker model logs -f llm

# Letzte 100 Zeilen anzeigen
docker model logs --tail 100 llm

# Protokolle mit Zeitstempeln anzeigen
docker model logs -t llm

Leistungsstatistiken

# Ressourcennutzung
docker model stats

# Spezifische Modellstatistiken
docker model stats llm

# Statistiken im JSON-Format
docker model stats --format json

Netzwerk

APIs freigeben

# Standardport (8080)
docker model run -p 8080:8080 ai/llama2

# Benutzerdefinierter Port
docker model run -p 3000:8080 ai/llama2

# Binden an eine bestimmte Schnittstelle
docker model run -p 127.0.0.1:8080:8080 ai/llama2

# Mehrere Ports
docker model run -p 8080:8080 -p 9090:9090 ai/llama2

Netzwerkkonfiguration

# Benutzerdefiniertes Netzwerk erstellen
docker network create llm-network

# Modell auf benutzerdefiniertem Netzwerk ausführen
docker model run --network llm-network --name llm ai/llama2

# Verbinden mit bestehendem Netzwerk
docker model run --network host ai/llama2

Sicherheit

Zugriffskontrolle

# Ausführen mit API-Schlüssel-Authentifizierung
docker model run \
  -e MODEL_API_KEY=my-secret-key \
  ai/llama2

# Verwenden mit Authentifizierung
curl http://localhost:8080/v1/chat/completions \
  -H "Authorization: Bearer my-secret-key" \
  -H "Content-Type: application/json" \
  -d '{"model": "llama2", "messages": [...]}'

Registry-Authentifizierung

# Anmelden bei privatem Registry
docker login myregistry.com -u username -p password

# Herunterladen aus privatem Registry
docker model pull myregistry.com/private/model:latest

# Verwenden des Credentials-Helpers
docker login --password-stdin < token.txt

Best Practices

Modellauswahl

# Verwenden Sie quantisierte Modelle für schnellere Inferenz
docker model pull ai/llama2:7b-q4     # 4-Bit-Quantisierung
docker model pull ai/llama2:7b-q5     # 5-Bit-Quantisierung
docker model pull ai/llama2:7b-q8     # 8-Bit-Quantisierung

# Modellvarianten überprüfen
docker search ai/llama2

Ressourcenmanagement

# Speichergrenzen festlegen
docker model run --memory 8g --memory-swap 16g ai/llama2

# CPU-Grenzen festlegen
docker model run --cpus 4 ai/llama2

# GPU-Speicher begrenzen
docker model run --gpus all --gpu-memory 8g ai/llama2

Gesundheitsüberwachung

# Ausführen mit Gesundheitsüberwachung
docker model run \
  --health-cmd "curl -f http://localhost:8080/health || exit 1" \
  --health-interval 30s \
  --health-timeout 10s \
  --health-retries 3 \
  ai/llama2

Produktionsorchestrierung

Für Produktionsbereitstellungen mit Kubernetes können Docker Model Runner-Container mit Standard-Kubernetes-Manifesten orchestriert werden. Definieren Sie Bereitstellungen mit Ressourcengrenzen, automatischer Skalierung und Lastverteilung. Für eine umfassende Kubernetes-Befehlsreferenz und Bereitstellungsmuster überprüfen Sie unser Kubernetes Cheatsheet.

# Beispiel: Bereitstellung im Kubernetes-Cluster
kubectl apply -f llm-deployment.yaml

# Bereitstellung skalieren
kubectl scale deployment llm --replicas=3

# Als Dienst freigeben
kubectl expose deployment llm --type=LoadBalancer --port=8080

Fehlerbehebung

Häufige Probleme

Modell startet nicht:

# Verfügbaren Festplattenspeicher überprüfen
df -h

# Detaillierte Fehlerprotokolle anzeigen
docker model logs --tail 50 llm

# GPU-Verfügbarkeit überprüfen
nvidia-smi  # Für NVIDIA-GPUs

Speicherfehler:

# Kleineres quantisiertes Modell verwenden
docker model pull ai/llama2:7b-q4

# Kontextgröße reduzieren
docker model run -e MODEL_CONTEXT=2048 ai/llama2

# Batch-Größe begrenzen
docker model run -e MODEL_BATCH_SIZE=256 ai/llama2

Langsame Inferenz:

# GPU-Nutzung überprüfen
docker model stats llm

# Sicherstellen, dass GPU verwendet wird
docker model logs llm | grep -i gpu

# GPU-Layers erhöhen
docker model run -e MODEL_GPU_LAYERS=40 ai/llama2

Diagnosebefehle

# Systeminformationen
docker model system info

# Festplattennutzung
docker model system df

# Unbenutzte Ressourcen bereinigen
docker model system prune

# Vollständige Bereinigung (alle Modelle entfernen)
docker model system prune -a

Integrationsbeispiele

Python-Integration

import openai

# Client für Docker Model Runner konfigurieren
client = openai.OpenAI(
    base_url="http://localhost:8080/v1",
    api_key="not-needed"  # DMR benötigt standardmäßig keinen Schlüssel
)

# Chat-Abschluss
response = client.chat.completions.create(
    model="llama2",
    messages=[
        {"role": "user", "content": "Hallo!"}
    ]
)

print(response.choices[0].message.content)

# Streaming
stream = client.chat.completions.create(
    model="llama2",
    messages=[{"role": "user", "content": "Erzähl mir eine Geschichte"}],
    stream=True
)

for chunk in stream:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

Bash-Skript

#!/bin/bash

# Modell starten, falls nicht läuft
if ! docker model ps | grep -q "llm"; then
    docker model run -d --name llm -p 8080:8080 ai/llama2
    echo "Warten, bis das Modell startet..."
    sleep 10
fi

# API-Aufruf machen
curl -s http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "llama2",
    "messages": [{"role": "user", "content": "'"$1"'"}]
  }' | jq -r '.choices[0].message.content'

Node.js-Integration

import OpenAI from 'openai';

const client = new OpenAI({
    baseURL: 'http://localhost:8080/v1',
    apiKey: 'not-needed'
});

async function chat(message) {
    const completion = await client.chat.completions.create({
        model: 'llama2',
        messages: [{ role: 'user', content: message }]
    });

    return completion.choices[0].message.content;
}

// Verwendung
const response = await chat('Was ist Docker Model Runner?');
console.log(response);

Offizielle Dokumentation

Verwandte Cheat Sheets

Vergleichsartikel