Model Registry

Un registro de modelos es un sistema centralizado para organizar, versionar, gobernar y recuperar modelos de aprendizaje automático a lo largo de todo su ciclo de vida. Conecta los archivos de los modelos, como los pesos del modelo aprendidos, con metadatos que describen cómo se ha entrenado, evaluado, aprobado y desplegado cada modelo. Como componente fundamental de las operaciones de aprendizaje automático, un registro proporciona a los equipos una fuente fiable para decidir qué versión del modelo debe atender el tráfico de producción.

Cómo funciona un registro de modelos#

El registro de modelos comienza después de que una ejecución de entrenamiento produce un modelo candidato. El registro crea una entrada con nombre, asigna una versión y registra la información necesaria para comprender y reproducir el artefacto. Una entrada típica incluye:

• Artefacto del modelo: Los pesos serializados, la lógica de preprocesamiento, los archivos de configuración o una referencia a su ubicación de almacenamiento.
• Versión: Un identificador inmutable que distingue un candidato de otro.
• Métricas y parámetros: Exactitud de validación, precisión, recall, latencia, detalles del conjunto de datos, hiperparámetros y otras mediciones.
• Linaje: Conexiones entre el modelo, su código fuente, la ejecución de entrenamiento y los datos.
• Estado: Etiquetas como candidato, aprobado, rechazado, principal o archivado.
• Información de despliegue: Entornos y endpoints que utilizan actualmente la versión.

Las plataformas implementan estas ideas de forma diferente. El flujo de trabajo del registro de modelos de MLflow utiliza modelos registrados, versiones, alias y etiquetas, mientras que Amazon SageMaker Model Registry admite grupos de modelos, estados de aprobación, linaje y automatización del despliegue. Algunos sistemas también registran una firma del modelo: el esquema esperado de entrada y salida descrito en la documentación de firmas de modelos de Snowflake.

Los alias como champion o production proporcionan nombres estables que pueden cambiar entre versiones inmutables. Como se explica en la guía de alias de modelos de Vertex AI, una aplicación puede solicitar un alias sin codificar de forma fija un número de versión.

Registro de modelos frente a conceptos relacionados#

Un registro de modelos se solapa con varias herramientas de ML, pero tiene una finalidad distinta:

• Seguimiento de experimentos registra las ejecuciones de entrenamiento, incluidos los parámetros, las métricas y los artefactos intermedios. Un registro recibe los resultados seleccionados de esos experimentos y los gestiona como candidatos a una versión.
• Almacenamiento de artefactos guarda archivos grandes. Un registro puede almacenar esos archivos directamente, pero también puede funcionar como un índice de metadatos que apunte a un almacenamiento de objetos externo. La arquitectura del registro de modelos de Kubeflow ilustra este diseño centrado en los metadatos.
• Control de código fuente versiona el código, mientras que un registro de modelos versiona los artefactos entrenados y sus metadatos específicos de ML. El registro de modelos de GitLab puede conectar las versiones de los modelos con trabajos de CI/CD, registros, métricas y parámetros.
• Despliegue de modelos hace que un modelo seleccionado esté disponible para la inferencia. El registro identifica el artefacto aprobado; el sistema de despliegue lo ejecuta.
• Supervisión de modelos observa el comportamiento en producción después del lanzamiento. Los resultados de la supervisión pueden activar la evaluación, el reentrenamiento, el registro y la promoción de una versión de sustitución.

Por tanto, un registro actúa como punto de control entre la experimentación y la producción, en lugar de sustituir a todos los componentes que lo rodean.

Aplicaciones en el mundo real#

En un sistema de inspección industrial, los ingenieros pueden volver a entrenar un detector de defectos cada vez que cambien las cámaras, los materiales o los diseños de los productos. El registro puede conservar la referencia al conjunto de datos de cada modelo, su precisión media, la latencia de inferencia y el formato de hardware compatible. Después de que las pruebas confirmen que la versión 12 mejora la detección de arañazos sin aumentar las falsas alarmas, un responsable de aprobación puede promocionarla y conservar la versión 11 para una reversión inmediata.

En el análisis de imágenes médicas, varios equipos pueden evaluar candidatos para la detección de tumores. El registro conserva los resultados de validación, la configuración de entrenamiento, el responsable y el historial de aprobación de cada versión. Las aplicaciones de producción pueden limitarse a modelos revisados, mientras que las versiones anteriores siguen disponibles para auditorías y reproducibilidad. Los controles basados en roles, como los descritos para la gobernanza del registro de modelos de Snowflake, ayudan a impedir la sustitución o inspección no autorizadas de artefactos sensibles.

Registro de modelos en los flujos de trabajo de Ultralytics#

Ultralytics Platform proporciona una gestión centralizada de modelos para anotar conjuntos de datos, entrenar, comparar resultados, exportar, desplegar y supervisar modelos de visión artificial. Su flujo de trabajo documentado de gestión de modelos de Platform admite pesos .pt cargados y modelos producidos mediante entrenamiento en la nube o remoto.

El siguiente flujo de trabajo documentado entrena Ultralytics YOLO26 de forma local y envía el modelo resultante, la configuración, las métricas y los registros a un proyecto con nombre de Platform:

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",
)

El nombre del proyecto y de la ejecución permiten descubrir el candidato junto a los modelos relacionados. Los equipos pueden evaluarlo, utilizar la integración de Ultralytics con MLflow para registrar experimentos adicionales o aplicar la exportación de modelos YOLO cuando un modelo registrado deba ejecutarse en un hardware de nube o de edge específico.

Recomendaciones prácticas para el registro#

Trata cada versión registrada como inmutable. Utiliza alias legibles para el despliegue, conserva las evidencias de validación y define requisitos claros de promoción. Una política de nomenclatura basada en el Versionado semántico puede comunicar los cambios de compatibilidad, aunque las versiones incrementadas automáticamente también son eficaces.

Lo más importante es registrar paquetes de modelos completos en lugar de archivos de pesos sin explicación. La ausencia de reglas de preprocesamiento, nombres de clases, esquemas de entrada, dependencias o referencias a conjuntos de datos puede hacer que un modelo aparentemente válido sea imposible de reproducir o no sea seguro de desplegar. Los controles de acceso, las pruebas automatizadas, las puertas de aprobación, los registros de auditoría y los procedimientos de reversión convierten un registro de modelos de un catálogo de archivos en una protección fiable para producción.