Model Registry

Model registry, yaşam döngüleri boyunca makine öğrenmesi modellerini organize etmek, versiyonlamak, yönetmek ve almak için merkezi bir sistemdir. Öğrenilmiş model weights gibi model dosyalarını, her bir modelin nasıl eğitildiğini, değerlendirildiğini, onaylandığını ve dağıtıldığını açıklayan meta verilerle birbirine bağlar. machine learning operations bileşeni olan bu kayıt defteri, ekiplere hangi model versiyonunun üretim trafiğine hizmet etmesi gerektiğine karar vermeleri için güvenilir bir kaynak sunar.

Model Registry Nasıl Çalışır?#

Model kaydı, bir eğitim çalışması aday bir model ürettikten sonra başlar. Kayıt defteri adlandırılmış bir girdi oluşturur, bir versiyon atar ve yapay nesneyi anlamak ve yeniden üretmek için gereken bilgileri kaydeder. Tipik bir girdi şunları içerir:

• Model artifact: Serileştirilmiş ağırlıklar, ön işleme mantığı, yapılandırma dosyaları veya bunların depolama konumuna dair bir referans.
• Version: Bir adayı diğeriyle ayırt eden, değiştirilemez bir tanımlayıcı.
• Metrics and parameters: Doğrulama doğruluğu, kesinlik, duyarlılık, gecikme, veri kümesi detayları, hiperparametreler ve diğer ölçümler.
• Lineage: Model, kaynak kodu, eğitim çalışması ve veriler arasındaki bağlantılar.
• Status: Aday, onaylanmış, reddedilmiş, şampiyon veya arşivlenmiş gibi etiketler.
• Deployment information: Versiyonu hâlihazırda kullanan ortamlar ve uç noktalar.

Platformlar bu fikirleri farklı şekillerde uygular. MLflow Model Registry workflow kayıtlı modelleri, versiyonları, takma adları ve etiketleri kullanırken, Amazon SageMaker Model Registry model gruplarını, onay durumlarını, soy kütüğünü (lineage) ve dağıtım otomasyonunu destekler. Bazı sistemler ayrıca bir model imzası da kaydeder: Snowflake model signature documentation içinde açıklanan beklenen girdi ve çıktı şeması.

champion veya production gibi takma adlar, değiştirilemez versiyonlar arasında taşınabilen kararlı isimler sağlar. Vertex AI model alias guide içerisinde açıklandığı gibi, bir uygulama bir versiyon numarasını kod içine sabitlemeden (hard-code etmeden) bir takma ad isteyebilir.

Model Registry ve İlgili Kavramlar#

Model registry, çeşitli ML araçlarıyla örtüşür ancak farklı bir amaca hizmet eder:

• Experiment tracking parametreler, metrikler ve ara yapay nesneler (artifacts) dahil olmak üzere eğitim çalışmalarını kaydeder. Bir kayıt defteri bu deneylerden seçilen çıktıları alır ve bunları sürüm adayları olarak yönetir.
• Artifact storage büyük dosyaları tutar. Bir kayıt defteri bu dosyaları doğrudan saklayabilir, ancak harici nesne depolamaya (object storage) işaret eden bir meta veri dizini olarak da işlev görebilir. Kubeflow Model Registry architecture bu meta veri odaklı tasarımı göstermektedir.
• Source control kodu versiyonlar, buna karşılık model registry eğitilmiş yapay nesneleri ve bunların ML'ye özgü meta verilerini versiyonlar. GitLab model registry model versiyonlarını CI/CD işleri, günlükler, metrikler ve parametrelerle bağlayabilir.
• Model deployment seçilen bir modeli çıkarım için kullanılabilir hale getirir. Kayıt defteri onaylanmış yapay nesneyi tanımlar; dağıtım sistemi onu çalıştırır.
• Model monitoring sürüm sonrasında üretim davranışını gözlemler. İzleme sonuçları, yedek bir versiyonun değerlendirilmesini, yeniden eğitilmesini, kaydedilmesini ve terfi ettirilmesini tetikleyebilir.

Dolayısıyla bir kayıt defteri, etrafındaki her bileşenin yerini almak yerine deney ile üretim arasında bir kontrol noktası olarak hareket eder.

Gerçek Dünya Uygulamaları#

Bir üretim denetim sisteminde mühendisler; kameralar, malzemeler veya ürün tasarımları değiştiğinde bir kusur dedektörünü yeniden eğitebilir. Kayıt defteri, her modelin veri kümesi referansını, ortalama duyarlılık ortalamasını (mAP), çıkarım gecikmesini ve desteklenen donanım formatını saklayabilir. Testler versiyon 12'nin yanlış alarmları artırmadan çizik tespitini iyileştirdiğini doğruladıktan sonra, bir onaycı onu terfi ettirebilir ve acil geri alma (rollback) için versiyon 11'i saklayabilir.

Tıbbi görüntü analizinde, birden fazla ekip tümör tespiti adaylarını değerlendirebilir. Kayıt işlemi; her versiyon için doğrulama sonuçlarını, eğitim yapılandırmasını, sorumlu sahibini ve onay geçmişini korur. Üretim uygulamaları gözden geçirilmiş modellerle sınırlandırılabilirken, eski versiyonlar denetimler ve tekrarlanabilirlik için erişilebilir kalmaya devam eder. Snowflake Model Registry governance için açıklananlar gibi rol tabanlı kontroller, hassas yapay nesnelerin izinsiz olarak değiştirilmesini veya incelenmesini önlemeye yardımcı olur.

Ultralytics İş Akışlarında Model Kaydı#

Ultralytics Platform bilgisayarlı görü modellerini etiketlemek, eğitmek, sonuçları karşılaştırmak, dışarı aktarmak, dağıtmak ve izlemek için merkezi model yönetimi sağlar. Belgelenmiş olan Platform model management workflow iş akışı, .pt ağırlıklarının yüklenmesini ve bulut veya uzaktan eğitim yoluyla üretilen modelleri destekler.

Belgelenen aşağıdaki iş akışı, Ultralytics YOLO26 modelini yerel olarak eğitirken ortaya çıkan modeli, yapılandırmayı, metrikleri ve günlükleri adlandırılmış bir Platform projesine gönderir:

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",
)

Proje ve çalışma adı, adayın ilgili modellerle birlikte bulunabilmesini sağlar. Ekipler bunu değerlendirebilir, ek deney günlüğü kaydı için Ultralytics MLflow integration kullanabilir veya kayıtlı bir modelin belirli bulut veya uç donanımsal sistemlerde çalışması gerektiğinde YOLO model export uygulayabilir.

Pratik Kayıt Defteri Rehberliği#

Kaydedilen her versiyonu değiştirilemez olarak ele alın. Dağıtım için insan tarafından okunabilir takma adlar kullanın, doğrulama kanıtlarını saklayın ve net terfi gereksinimleri tanımlayın. Semantic Versioning tabanlı bir adlandırma politikası uyumluluk değişikliklerini iletebilir, ancak otomatik olarak artırılan versiyonlar da etkilidir.

En önemlisi, açıklanmayan ağırlık dosyaları yerine eksiksiz model paketlerini kaydedin. Eksik ön işleme kuralları, sınıf adları, girdi şemaları, bağımlılıklar veya veri kümesi referansları, görünüşte geçerli bir modelin yeniden üretilmesini imkansız veya dağıtılmasını güvensiz hale getirebilir. Erişim kontrolleri, otomatik testler, onay kapıları, denetim günlükleri ve geri alma prosedürleri; bir model kayıt defterini dosya kataloğundan güvenilir bir üretim korumasına dönüştürür.