GpuViewR
Dashboard de monitorización en tiempo real de GPU para NVIDIA y AMD, diseñado para cargas de trabajo de IA/LLM locales.
Ficha actualizada 22 sept 2026, 14:50 · upstream 22 sept 2026, 14:33 · release v0.9.3
Qué es GpuViewR
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
GpuViewR es un panel de control auto-alojado para monitorización de GPU en tiempo real, compatible con hardware NVIDIA y AMD. Está diseñado principalmente para cargas de trabajo de inteligencia artificial y modelos de lenguaje local (Ollama, llama.cpp, vLLM, ComfyUI, Stable Diffusion), pero también sirve para servidores de gaming o renderizado. La arquitectura utiliza un hub central que agrega métricas desde múltiples hosts mediante agentes ligeros con WebSocket.
El sistema incluye autenticación multiusuario con JWT, alertas personalizables con sostenimiento y tiempo de enfriamiento, exportación de métricas a Prometheus/InfluxDB/MQTT, e historial persistente en SQLite con retención configurable. El despliegue es simplificado mediante un script `install.sh` que detecta automáticamente el proveedor de GPU, genera configuraciones `.env` y arranca la pila Docker.
Soporta Linux (NVIDIA/AMD), Windows (PowerShell/Scheduled Task) y macOS Apple Silicon (LaunchAgent). En macOS, el hub en Docker Desktop funciona solo como agregador central; para monitorización local se requiere un agente nativo. La licencia es MIT y cuenta con integración de seguridad CodeQL y Snyk.
- Monitorización de flotas de servidores locales ejecutando modelos de lenguaje (LLM) o inferencia AI
- Dashboard centralizado para múltiples máquinas heterogéneas (NVIDIA + AMD en Linux/Windows/macOS)
- Alertas proactivas sobre saturación térmica, uso de VRAM o fallos de GPU con notificaciones a Discord/Telegram
- Exportación de métricas históricas a sistemas de observabilidad existentes como Prometheus o InfluxDB
- Despliegue en entornos mixtos donde el hub actúa como agregador y los agentes monitorean GPUs locales
- Soporte nativo para NVIDIA (nvidia-smi + pmon) y AMD (ROCm/sysfs amdgpu) con detección automática del proveedor
- Arquitectura multi-host con un solo hub que agrega métricas desde múltiples agentes vía WebSocket
- Sistema de alertas con sostenimiento y cooldown, soportando Discord, Telegram, MQTT y webhooks personalizados
- Historial persistente en SQLite con retención configurable (variable RETENTION_DAYS por defecto 7 días)
- Despliegue simplificado con un solo comando `install.sh` que genera Docker Compose y secretos automáticamente
- Multi-architectura (amd64/arm64) y soporte para Node.js 22 en imágenes Docker optimizadas
- En macOS, el hub ejecutado en Docker Desktop no puede monitorizar GPU localmente; requiere agente nativo o uso como dashboard central
- El historial de métricas se almacena en SQLite y se reinicia al borrar la base de datos (ej. `rm -rf ./data/gpuviewr.db*`)
- Dependencia de Docker Engine 23+ con plugin Compose v2 para despliegue estándar
- Soporte limitado a GPUs passthrough o drivers estándar; no incluye soporte para virtualización avanzada de GPU
- En macOS, el script `install.sh` no funciona directamente; requiere configuración manual del archivo `.env`
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Usar `install.sh` en Linux para despliegue rápido. Configurar `.env` con `JWT_SECRET` y `LOCAL_AGENT_BOOTSTRAP` generados aleatoriamente. Para NVIDIA, instalar NVIDIA Container Toolkit. Para AMD, cargar driver amdgpu; ROCm solo necesario si se habilita `FEATURES=processes`. En macOS, usar agente nativo (`install.mac.sh`) o Docker Desktop como hub agregador central. Verificar que los puertos 7510 (dashboard), 3015 (interno) y 5181 estén disponibles. Para modo agregador solo, dejar `COMPOSE_PROFILES=empty`.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.