Model Registry

Un registre de modèles est un système centralisé permettant d'organiser, de versionner, de gouverner et de récupérer des modèles d'apprentissage automatique tout au long de leur cycle de vie. Il relie les fichiers de modèles, tels que les poids de modèle appris, aux métadonnées décrivant comment chaque modèle a été entraîné, évalué, approuvé et déployé. En tant que composant central des opérations d'apprentissage automatique, un registre offre aux équipes une source de confiance pour décider quelle version de modèle doit desservir le trafic de production.

Comment fonctionne un registre de modèles#

L'enregistrement d'un modèle commence après qu'un cycle d'entraînement a produit un modèle candidat. Le registre crée une entrée nommée, attribue une version et enregistre les informations nécessaires pour comprendre et reproduire l'artefact. Une entrée type comprend :

• Artefact de modèle : Les poids sérialisés, la logique de prétraitement, les fichiers de configuration ou une référence à leur emplacement de stockage.
• Version : Un identifiant immuable qui distingue un candidat d'un autre.
• Métriques et paramètres : Précision de validation, précision (precision), rappel (recall), latence, détails du jeu de données, hyperparamètres et autres mesures.
• Lignée : Les connexions entre le modèle, son code source, son cycle d'entraînement et ses données.
• Statut : Des libellés tels que candidat, approuvé, rejeté, champion ou archivé.
• Informations de déploiement : Les environnements et les points de terminaison utilisant actuellement la version.

Les plateformes mettent en œuvre ces idées différemment. Le flux de travail du registre de modèles MLflow utilise des modèles enregistrés, des versions, des alias et des balises, tandis que le registre de modèles Amazon SageMaker prend en charge les groupes de modèles, les états d'approbation, la lignée et l'automatisation du déploiement. Certains systèmes enregistrent également une signature de modèle : le schéma d'entrée et de sortie attendu décrit dans la documentation sur la signature de modèle Snowflake.

Des alias tels que champion ou production fournissent des noms stables qui peuvent se déplacer entre des versions immuables. Comme l'explique le guide des alias de modèles Vertex AI, une application peut demander un alias sans coder en dur un numéro de version.

Registre de modèles vs concepts associés#

Un registre de modèles chevauche plusieurs outils d'apprentissage automatique mais remplit un objectif distinct :

• Le suivi des expériences enregistre les cycles d'entraînement, y compris les paramètres, les métriques et les artefacts intermédiaires. Un registre reçoit des sorties sélectionnées de ces expériences et les gère en tant que candidats à la mise en production.
• Le stockage d'artefacts conserve les fichiers volumineux. Un registre peut stocker ces fichiers directement, mais il peut également fonctionner comme un index de métadonnées pointant vers un stockage d'objets externe. L'architecture du registre de modèles Kubeflow illustre cette conception centrée sur les métadonnées.
• Le contrôle de version du code gère les versions du code, tandis qu'un registre de modèles gère les versions des artefacts entraînés et de leurs métadonnées spécifiques à l'apprentissage automatique. Le registre de modèles GitLab peut connecter les versions de modèles à des tâches CI/CD, des journaux, des métriques et des paramètres.
• Le déploiement de modèle rend un modèle sélectionné disponible pour l'inférence. Le registre identifie l'artefact approuvé ; le système de déploiement l'exécute.
• La surveillance de modèle observe le comportement en production après la mise en production. Les résultats de la surveillance peuvent déclencher l'évaluation, le réentraînement, l'enregistrement et la promotion d'une version de remplacement.

Un registre agit donc comme le point de contrôle entre l'expérimentation et la production plutôt que de remplacer chaque composant qui l'entoure.

Applications concrètes#

Dans un système d'inspection de fabrication, les ingénieurs peuvent réentraîner un détecteur de défauts chaque fois que les caméras, les matériaux ou les conceptions de produits changent. Le registre peut conserver la référence au jeu de données de chaque modèle, la précision moyenne (mAP), la latence d'inférence et le format matériel pris en charge. Une fois que les tests confirment que la version 12 améliore la détection des rayures sans augmenter les fausses alarmes, un approbateur peut la promouvoir et conserver la version 11 pour un retour en arrière immédiat.

En analyse d'images médicales, plusieurs équipes peuvent évaluer des candidats à la détection de tumeurs. L'enregistrement préserve les résultats de validation, la configuration de l'entraînement, le responsable et l'historique d'approbation pour chaque version. Les applications de production peuvent être limitées aux modèles examinés, tandis que les versions plus anciennes restent disponibles pour les audits et la reproductibilité. Les contrôles basés sur les rôles, tels que ceux décrits pour la gouvernance du registre de modèles Snowflake, aident à prévenir le remplacement non autorisé ou l'inspection d'artefacts sensibles.

Enregistrement de modèles dans les flux de travail Ultralytics#

Ultralytics Platform offre une gestion centralisée des modèles pour l'annotation de jeux de données, l'entraînement, la comparaison de résultats, l'exportation, le déploiement et la surveillance de modèles de vision par ordinateur. Son flux de travail de gestion de modèles de la plateforme documenté prend en charge les poids .pt téléchargés et les modèles produits par le biais d'un entraînement cloud ou distant.

Le flux de travail documenté suivant entraîne Ultralytics YOLO26 localement tout en envoyant le modèle résultant, la configuration, les métriques et les journaux vers un projet Platform nommé :

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",
)

Le projet et le nom de l'exécution permettent de rendre le candidat découvrable aux côtés des modèles associés. Les équipes peuvent l'évaluer, utiliser l'intégration Ultralytics MLflow pour un journal d'expériences supplémentaire, ou appliquer l'exportation de modèles YOLO lorsqu'un modèle enregistré doit s'exécuter sur un matériel cloud ou périphérique spécifique.

Conseils pratiques pour le registre#

Traitez chaque version enregistrée comme immuable. Utilisez des alias conviviaux pour le déploiement, conservez les preuves de validation et définissez des exigences de promotion claires. Une politique de nommage basée sur le Semantic Versioning peut communiquer les changements de compatibilité, bien que les versions incrémentées automatiquement soient également efficaces.

Plus important encore, enregistrez des paquets de modèles complets plutôt que des fichiers de poids inexpliqués. Des règles de prétraitement manquantes, des noms de classes, des schémas d'entrée, des dépendances ou des références de jeux de données peuvent rendre un modèle apparemment valide impossible à reproduire ou non sûr à déployer. Les contrôles d'accès, les tests automatisés, les portes d'approbation, les journaux d'audit et les procédures de retour en arrière transforment un registre de modèles d'un simple catalogue de fichiers en une protection de production fiable.