如何在执行bentoml build时避免导入services.py文件？

方案1：延迟模型/依赖加载到运行时（推荐） #

BentoML执行bentoml build时导入service文件，核心是为了解析Service类的定义，而非执行模型加载或业务逻辑。你可以调整service代码，将依赖导入、模型加载的逻辑从模块级别移到运行时触发的位置：

• 将模型加载代码放到Service类的__init__方法中：

  import bentoml
  
  # 避免在模块顶部导入模型依赖（如torch、transformers等）
  class MyModelService(bentoml.Service):
      def __init__(self):
          # 在这里导入依赖并加载模型
          import torch
          self.model = torch.load("path/to/model.pt")
  
      @bentoml.api(input=bentoml.NumpyNdarray(), output=bentoml.NumpyNdarray())
      def predict(self, input_data):
          return self.model(input_data)
  

• 或者在API函数内部动态导入依赖（如果模型仅在特定API中使用）：

  import bentoml
  
  class MyModelService(bentoml.Service):
      @bentoml.api(input=bentoml.NumpyNdarray(), output=bentoml.NumpyNdarray())
      def predict(self, input_data):
          import torch
          model = torch.load("path/to/model.pt")
          return model(input_data)
  

调整后，bentoml build导入service文件时不会触发依赖导入和模型加载，CI环境无需安装相关依赖即可完成构建。

方案2：在CI环境安装最小化构建依赖 #

如果无法调整代码，可在CI环境中仅安装让service文件能被导入的最小依赖（比如BentoML本身，以及service模块顶部直接导入的基础库），无需安装完整的运行时依赖（如模型框架、操作系统包）。需明确区分构建时依赖和运行时依赖，在CI脚本中针对性安装：

# CI脚本中安装构建所需依赖
pip install bentoml
# 若service文件顶部导入了其他基础库（如pandas），也需安装
pip install pandas

完成bentoml build后，再执行bentoml containerize，此时容器化过程会根据bentofile.yaml自动安装完整的运行时依赖，无需手动维护。

不推荐手动容器化 #

跳过BentoML的containerize命令手动创建容器，会重复bentofile.yaml中的配置工作，且容易引入人为错误，破坏环境的可复现性。BentoML的容器化流程基于元数据和配置文件自动生成Dockerfile，能保证构建出的容器与开发环境一致，因此建议优先使用官方提供的容器化能力。

内容的提问来源于stack exchange，提问作者neves