Tronbyt-Server项目Docker部署指南
2025-07-09 23:18:27作者:瞿蔚英Wynne
项目概述
Tronbyt-Server是一个基于Docker容器化部署的服务端应用,主要用于管理和渲染Pixlet应用。该项目通过Docker Compose文件定义了完整的服务配置,使得部署过程变得简单高效。
核心服务配置解析
Web服务定义
在docker-compose.yaml文件中,定义了一个名为web的核心服务:
services:
web:
image: ghcr.io/tavdog/tronbyt-server:latest
restart: unless-stopped
- 镜像来源:使用最新版的tronbyt-server镜像
- 重启策略:配置为
unless-stopped,意味着除非手动停止,否则容器会自动重启
端口映射配置
ports:
- "${SERVER_PORT}:8000"
- "${PIXLET_SERVE_PORT1}:5100"
- "${PIXLET_SERVE_PORT2}:5101"
- 主服务端口:将容器内的8000端口映射到宿主机的
SERVER_PORT环境变量指定端口 - Pixlet服务端口:
- 5100端口用于Pixlet服务接口,映射到宿主机的
PIXLET_SERVE_PORT1 - 5101端口为第二个用户预留,映射到
PIXLET_SERVE_PORT2 - 注释说明可以按需增加更多用户端口或使用host网络模式
- 5100端口用于Pixlet服务接口,映射到宿主机的
数据卷配置
volumes:
- "/etc/localtime:/etc/localtime:ro"
- users:/app/users
- webp:/app/tronbyt_server/webp
- 时间同步:将宿主机的localtime文件以只读方式挂载到容器,确保容器时间与主机同步
- 用户数据卷:
users卷挂载到/app/users目录,持久化存储用户数据 - WebP数据卷:
webp卷挂载到/app/tronbyt_server/webp目录,存储WebP格式文件
环境变量配置
environment:
- SERVER_HOSTNAME=${SERVER_HOSTNAME_OR_IP}
- SERVER_PORT=${SERVER_PORT}
- PIXLET_RENDER_PORT1=${PIXLET_SERVE_PORT1}
- SYSTEM_APPS_REPO=${SYSTEM_APPS_REPO}
- PRODUCTION=${PRODUCTION}
- 必需变量:SERVER_HOSTNAME_OR_IP必须设置,否则会报错
- 端口配置:SERVER_PORT和PIXLET_RENDER_PORT1与服务端口映射对应
- 应用仓库:SYSTEM_APPS_REPO指定系统应用的来源仓库
- 运行模式:PRODUCTION变量控制是否以生产模式运行
数据卷定义
volumes:
users:
webp:
在文件底部定义了命名的Docker卷,确保用户数据和WebP文件能够持久化存储。
部署实践建议
-
环境准备:
- 确保已安装Docker和Docker Compose
- 创建.env文件并设置所有必需环境变量
-
多用户支持:
- 如需支持更多用户,可以按5100/5101的模式继续添加端口映射
- 或者考虑使用host网络模式简化端口配置
-
生产环境部署:
- 将PRODUCTION环境变量设置为true
- 考虑添加反向代理(如Nginx)处理HTTPS和负载均衡
-
数据备份:
- 定期备份users和webp卷数据
- 可以考虑使用Docker卷的备份工具
常见问题排查
-
时间不同步问题:
- 检查/etc/localtime挂载是否正确
- 验证主机时间设置
-
端口冲突:
- 确保SERVER_PORT、PIXLET_SERVE_PORT1等端口未被占用
- 使用
netstat -tuln检查端口使用情况
-
环境变量缺失:
- 特别是SERVER_HOSTNAME_OR_IP必须设置
- 所有${}引用的变量都应在.env文件中定义
通过这份Docker Compose配置,Tronbyt-Server项目实现了开箱即用的容器化部署方案,既适合开发测试环境,也能满足生产部署需求。
登录后查看全文
热门项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
192
212
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
649
270
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
297
111
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
384
3.69 K
仓颉编译器源码及 cjdb 调试工具。
C++
128
857
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
React Native鸿蒙化仓库
JavaScript
243
316
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
66
96
暂无简介
Dart
632
143