Nunchaku-flux-1-dev快速上手：3步完成Git代码仓库的镜像部署

如果你手头有一个基于Git托管的模型推理项目，想快速把它部署成一个稳定、可访问的服务，那么今天这个教程就是为你准备的。我们不需要从零开始配置环境，也不用担心复杂的依赖问题，直接利用现成的AI镜像，三步就能搞定。整个过程就像搭积木一样简单，核心就是“选择、连接、启动”。

这篇文章会带你走一遍完整的流程，从在云平台选择镜像，到通过命令行连接服务器并拉取你的代码，最后启动服务。我会尽量把每一步都讲清楚，确保你跟着做就能成功。

1. 第一步：在星图平台创建你的专属实例

整个部署的起点，是在云平台上选择一个预置好的环境。这里我们以星图平台为例，它提供了很多开箱即用的AI镜像，省去了我们自己安装系统、配置驱动和基础环境的麻烦。

1.1 找到并选择Nunchaku-flux-1-dev镜像

首先，登录星图平台，进入镜像广场或者实例创建页面。在搜索框里输入“Nunchaku-flux-1-dev”，通常就能找到对应的镜像。这个镜像已经预装了运行所需的基础环境，比如Python、CUDA驱动以及一些常用的深度学习库。

选择这个镜像后，平台会引导你进行实例配置。这里有几个关键点需要注意：

• 计算规格：根据你的模型大小和预期的并发请求量来选择。如果模型不大或者只是用于测试，中等规格的GPU实例就足够了。
• 存储空间：确保分配的系统盘空间足够存放你的代码仓库以及模型文件。如果模型文件很大，你可能需要额外挂载数据盘。
• 网络与安全组：为了后续能通过SSH连接，记得在安全组规则中开放22端口（SSH默认端口）。如果你部署的是Web服务，还需要开放对应的API端口（比如7860或5000）。

配置完成后，点击创建。平台会自动为你初始化一台云服务器，这个过程通常需要几分钟。当实例状态变为“运行中”时，第一步就完成了。

1.2 获取连接信息

实例创建成功后，最重要的事情是拿到连接凭证。在实例的管理页面，你可以找到以下关键信息：

• 公网IP地址：这是你从本地电脑访问这台服务器的“门牌号”。
• 登录用户名：通常是 root 或者镜像指定的默认用户（如 ubuntu）。
• 登录方式：一般提供两种，密码登录或者SSH密钥对登录。为了安全，强烈建议使用SSH密钥对。如果你在创建实例时选择了“创建新密钥对”，平台会生成一个私钥文件（.pem 格式）并让你下载到本地，这个文件就是你的“钥匙”。

请妥善保管你的公网IP和私钥文件，下一步连接服务器全靠它们。

2. 第二步：连接实例并拉取你的代码仓库

有了服务器地址和钥匙，我们现在就从本地电脑“进入”那台云服务器，把我们的项目代码搬上去。

2.1 通过SSH连接到你的实例

打开你本地电脑的终端（Windows用户可以使用PowerShell或WSL，Mac和Linux用户直接使用系统终端）。使用 ssh 命令进行连接。

如果你使用的是密钥对登录，命令格式如下：

ssh -i /本地路径/你的密钥.pem 用户名@你的公网IP

例如，你的密钥文件叫 my_key.pem，放在桌面，用户是 ubuntu，IP是 123.123.123.123，那么命令就是：

ssh -i ~/Desktop/my_key.pem ubuntu@123.123.123.123

第一次连接时，终端可能会询问你是否信任这台主机，输入 yes 即可。成功连接后，命令行的提示符会发生变化，表示你现在已经在这台远程服务器上操作了。

2.2 克隆你的Git代码仓库

连接成功后，我们就在服务器的命令行环境里了。接下来，把你的模型推理代码从Git仓库克隆下来。

首先，找一个合适的工作目录，比如家目录 (~) 或者专门创建一个项目目录：

cd ~
mkdir my_ai_project && cd my_ai_project

然后，使用 git clone 命令克隆你的仓库。这里需要你的仓库地址，支持HTTPS或SSH方式。

# 使用HTTPS方式（需要输入用户名和密码/令牌）
git clone https://github.com/你的用户名/你的仓库名.git

# 或者使用SSH方式（需要提前在服务器上配置好SSH公钥）
git clone git@github.com:你的用户名/你的仓库名.git

克隆完成后，使用 ls 命令查看，应该能看到你的项目文件夹。进入这个文件夹，检查代码结构，特别是留意项目依赖文件（如 requirements.txt, pyproject.toml）和启动脚本（如 app.py, serve.py, launch.sh）。

3. 第三步：安装依赖并启动推理服务

代码已经就位，现在需要安装运行它所需的“零件”（依赖包），然后把它运行起来。

3.1 安装项目依赖

大多数Python项目都会通过 requirements.txt 文件来管理依赖。我们使用 pip 来安装它们。建议先创建一个Python虚拟环境，避免污染系统的Python环境。

# 进入你的项目目录
cd 你的仓库名

# 创建虚拟环境（假设使用python3）
python3 -m venv venv

# 激活虚拟环境
source venv/bin/activate

# 激活后，命令行提示符前通常会显示 (venv)

# 使用pip安装依赖，如果网络慢可以尝试使用国内镜像源
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装过程可能会花费一些时间，取决于依赖包的多少和大小。如果安装过程中有某个包特别慢或者失败，可以尝试单独安装，或者检查包的版本是否兼容。

3.2 运行启动脚本，验证服务

依赖安装成功后，就可以启动推理服务了。查看你的项目文档或代码，找到启动入口。通常是一个Python脚本。

例如，如果你的启动命令是：

python app.py

或者项目提供了一个启动脚本：

bash launch.sh

直接运行它。服务启动后，会在终端输出日志信息，注意查看它监听的IP地址和端口号，常见的是 http://0.0.0.0:7860 或 http://127.0.0.1:5000。

验证服务是否正常：

1. 保持当前SSH窗口不要关闭（关闭会导致服务停止）。
2. 打开你本地电脑的浏览器。
3. 在地址栏输入 http://你的公网IP:端口号（例如 http://123.123.123.123:7860）。
4. 如果能看到服务的Web界面（比如一个Gradio或Streamlit的交互页面），或者通过简单的API调用（如 curl http://你的公网IP:端口号/health）能收到成功响应，那就说明服务已经成功部署并运行起来了！

4. 让部署更稳健：几个实用小技巧

三步走完，核心部署就完成了。但要让这个服务能稳定、长久地运行，还需要一点额外的“加固”工作。

4.1 使用进程守护工具

我们不能一直开着SSH窗口来运行服务。这时就需要像 systemd 或 supervisor 这样的进程守护工具。它们可以在后台管理你的服务，即使服务器重启，也能自动把你的应用拉起来。

以 systemd 为例，你可以创建一个服务配置文件（如 /etc/systemd/system/my-ai-service.service）：

[Unit]
Description=My AI Model Service
After=network.target

[Service]
Type=simple
User=ubuntu
WorkingDirectory=/home/ubuntu/my_ai_project/你的仓库名
Environment="PATH=/home/ubuntu/my_ai_project/你的仓库名/venv/bin"
ExecStart=/home/ubuntu/my_ai_project/你的仓库名/venv/bin/python app.py
Restart=always

[Install]
WantedBy=multi-user.target

然后启用并启动这个服务：

sudo systemctl daemon-reload
sudo systemctl enable my-ai-service
sudo systemctl start my-ai-service
# 查看状态
sudo systemctl status my-ai-service

4.2 管理配置与敏感信息

你的代码里可能有API密钥、数据库密码等敏感信息，或者不同部署环境（测试、生产）有不同的配置。不要把它们硬编码在代码里，更不要提交到Git仓库。

推荐的做法是使用环境变量或单独的配置文件（如 .env 文件），并通过 .gitignore 确保它们不会被意外提交。在启动脚本中读取这些环境变量。

4.3 考虑持久化与备份

如果你的服务产生了需要保存的数据（比如用户上传的图片、生成的结果记录），要确保这些数据存储在持久化的磁盘上，而不是随着实例销毁而丢失。可以考虑使用对象存储服务，或者定期备份到其他位置。

---

走完这三步，你应该已经成功地将一个Git仓库里的AI项目部署成了在线服务。整个过程的核心思路就是利用云平台的便利性，把环境准备的工作降到最低，让我们能专注于代码本身。这种基于镜像的部署方式非常灵活，下次你需要更新代码时，只需要在服务器上 git pull 拉取最新改动，然后重启服务即可，大大提升了迭代效率。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。