Model Registry

Ein Modellregister ist ein zentralisiertes System zum Organisieren, Versionieren, Verwalten und Abrufen von Machine-Learning-Modellen über ihren gesamten Lebenszyklus hinweg. Es verknüpft Modelldateien, etwa erlernte Modellgewichte, mit Metadaten, die beschreiben, wie jedes Modell trainiert, bewertet, genehmigt und bereitgestellt wurde. Als zentrale Komponente des Betriebs von Machine-Learning-Systemen bietet ein Register Teams eine vertrauenswürdige Grundlage für die Entscheidung, welche Modellversion den Produktivdatenverkehr bedienen soll.

Funktionsweise eines Modellregisters#

Die Registrierung eines Modells beginnt, nachdem ein Trainingslauf ein Kandidatenmodell hervorgebracht hat. Das Register erstellt einen benannten Eintrag, weist eine Version zu und erfasst die Informationen, die zum Verstehen und Reproduzieren des Artefakts erforderlich sind. Ein typischer Eintrag umfasst:

• Modellartefakt: Die serialisierten Gewichte, die Vorverarbeitungslogik, Konfigurationsdateien oder einen Verweis auf deren Speicherort.
• Version: Eine unveränderliche Kennung, die einen Kandidaten von einem anderen unterscheidet.
• Metriken und Parameter: Validierungsgenauigkeit, Präzision, Recall, Latenz, Datensatzdetails, Hyperparameter und andere Messwerte.
• Herkunft: Verknüpfungen zwischen dem Modell, seinem Quellcode, dem Trainingslauf und den Daten.
• Status: Kennzeichnungen wie Kandidat, genehmigt, abgelehnt, führend oder archiviert.
• Bereitstellungsinformationen: Umgebungen und Endpunkte, die derzeit diese Version verwenden.

Plattformen setzen diese Konzepte unterschiedlich um. Der MLflow-Model-Registry-Workflow verwendet registrierte Modelle, Versionen, Aliase und Tags, während die Amazon SageMaker Model Registry Modellgruppen, Genehmigungsstatus, Herkunft und automatisierte Bereitstellung unterstützt. Einige Systeme erfassen außerdem eine Modellsignatur: das erwartete Ein- und Ausgabeschema, das in der Dokumentation zu Snowflake-Modellsignaturen beschrieben wird.

Aliase wie champion oder production bieten stabile Namen, die zwischen unveränderlichen Versionen wechseln können. Wie im Leitfaden zu Modellaliasen in Vertex AI erläutert, kann eine Anwendung einen Alias anfordern, ohne eine Versionsnummer fest zu codieren.

Modellregister im Vergleich zu verwandten Konzepten#

Ein Modellregister überschneidet sich mit mehreren ML-Werkzeugen, erfüllt aber einen eigenen Zweck:

• Experimentverfolgung erfasst Trainingsläufe einschließlich Parametern, Metriken und Zwischenartefakten. Ein Register übernimmt ausgewählte Ergebnisse aus diesen Experimenten und verwaltet sie als Kandidaten für die Veröffentlichung.
• Artefaktspeicher speichert große Dateien. Ein Register kann diese Dateien direkt speichern, aber auch als Metadatenindex dienen, der auf einen externen Objektspeicher verweist. Die Architektur der Kubeflow Model Registry veranschaulicht dieses metadatenzentrierte Design.
• Quellcodeverwaltung versioniert Code, während ein Modellregister trainierte Artefakte und deren ML-spezifische Metadaten versioniert. Die GitLab Model Registry kann Modellversionen mit CI/CD-Jobs, Protokollen, Metriken und Parametern verknüpfen.
• Modellbereitstellung stellt ein ausgewähltes Modell für die Inferenz zur Verfügung. Das Register identifiziert das genehmigte Artefakt; das Bereitstellungssystem führt es aus.
• Modellüberwachung beobachtet das Verhalten im Produktivbetrieb nach der Veröffentlichung. Überwachungsergebnisse können die Bewertung, das erneute Training, die Registrierung und die Freigabe einer Ersatzversion auslösen.

Ein Register fungiert daher als Kontrollpunkt zwischen Experimenten und Produktivbetrieb, anstatt jede umgebende Komponente zu ersetzen.

Anwendungen in der Praxis#

In einem System zur Fertigungsprüfung müssen Ingenieurinnen und Ingenieure möglicherweise jedes Mal einen Defektdetektor neu trainieren, wenn sich Kameras, Materialien oder Produktdesigns ändern. Das Register kann den Verweis auf den Datensatz, die mittlere durchschnittliche Präzision, die Inferenzlatenz und das unterstützte Hardwareformat jedes Modells aufbewahren. Nachdem Tests bestätigt haben, dass Version 12 die Erkennung von Kratzern verbessert, ohne die Zahl der Fehlalarme zu erhöhen, kann eine genehmigende Person sie freigeben und Version 11 für ein sofortiges Rollback aufbewahren.

In der medizinischen Bildanalyse bewerten möglicherweise mehrere Teams Kandidaten für die Tumorerkennung. Die Registrierung bewahrt für jede Version die Validierungsergebnisse, die Trainingskonfiguration, die verantwortliche Person und den Genehmigungsverlauf. Produktionsanwendungen können auf geprüfte Modelle beschränkt werden, während ältere Versionen für Audits und die Reproduzierbarkeit verfügbar bleiben. Rollenbasierte Kontrollen, wie sie für die Governance der Snowflake Model Registry beschrieben werden, helfen dabei, den unbefugten Austausch oder die unbefugte Prüfung sensibler Artefakte zu verhindern.

Modellregistrierung in Ultralytics-Workflows#

Die Ultralytics Platform bietet eine zentrale Modellverwaltung zum Annotieren von Datensätzen, Trainieren, Vergleichen von Ergebnissen, Exportieren, Bereitstellen und Überwachen von Computer-Vision-Modellen. Der dokumentierte Workflow zur Modellverwaltung der Platform unterstützt hochgeladene .pt-Gewichte sowie Modelle, die durch Cloud- oder Remote-Training erzeugt wurden.

Der folgende dokumentierte Workflow trainiert Ultralytics YOLO26 lokal und überträgt das resultierende Modell, die Konfiguration, die Metriken und die Protokolle an ein benanntes Platform-Projekt:

import os

from ultralytics import YOLO

# Authenticate remote training with Ultralytics Platform
os.environ["ULTRALYTICS_API_KEY"] = "YOUR_API_KEY"

model = YOLO("yolo26n.pt")

model.train(
    data="coco8.yaml",
    epochs=3,
    project="username/model-registry-demo",
    name="candidate-001",
)

Der Projekt- und der Laufname machen den Kandidaten neben verwandten Modellen auffindbar. Teams können ihn bewerten, die Ultralytics-MLflow-Integration für zusätzliche Experimentprotokollierung verwenden oder den YOLO-Modell-Export anwenden, wenn ein registriertes Modell auf bestimmter Cloud- oder Edge-Hardware ausgeführt werden muss.

Praktische Hinweise zu Modellregistern#

Behandle jede registrierte Version als unveränderlich. Verwende für die Bereitstellung gut lesbare Aliase, bewahre Validierungsnachweise auf und lege klare Anforderungen für die Freigabe fest. Eine auf semantischer Versionierung basierende Benennungsrichtlinie kann Kompatibilitätsänderungen verdeutlichen, obwohl automatisch hochgezählte Versionen ebenfalls wirksam sind.

Am wichtigsten ist, vollständige Modellpakete statt nicht näher erklärter Gewichtedateien zu registrieren. Fehlende Regeln für die Vorverarbeitung, Klassennamen, Eingabeschemata, Abhängigkeiten oder Datensatzverweise können dazu führen, dass ein scheinbar gültiges Modell nicht reproduzierbar oder nicht sicher bereitstellbar ist. Zugriffskontrollen, automatisierte Tests, Genehmigungsschranken, Audit-Protokolle und Rollback-Verfahren machen aus einem Modellregister mehr als einen Dateikatalog: eine zuverlässige Absicherung für den Produktivbetrieb.