Model Registry

Registry model là một hệ thống tập trung dùng để tổ chức, quản lý phiên bản, quản trị và truy xuất các model machine learning trong suốt vòng đời của chúng. Hệ thống kết nối các tệp model, chẳng hạn như model weights, với metadata mô tả cách mỗi model được huấn luyện, đánh giá, phê duyệt và triển khai. Là một thành phần cốt lõi của machine learning operations, registry cung cấp cho các team một nguồn đáng tin cậy để quyết định phiên bản model nào sẽ phục vụ traffic production.

Registry Model Hoạt động Như thế nào#

Quy trình đăng ký model bắt đầu sau khi một training run tạo ra model ứng viên. Registry tạo một entry có tên, gán một phiên bản và ghi lại các thông tin cần thiết để hiểu cũng như tái tạo artifact. Một entry điển hình bao gồm:

• Model artifact: Các weight đã được tuần tự hóa, logic preprocessing, tệp cấu hình hoặc tham chiếu đến vị trí lưu trữ của chúng.
• Phiên bản: Một identifier bất biến dùng để phân biệt ứng viên này với ứng viên khác.
• Metrics và parameters: Độ chính xác validation, precision, recall, latency, thông tin dataset, hyperparameter và các phép đo khác.
• Lineage: Các mối liên kết giữa model, source code, training run và dữ liệu của model.
• Trạng thái: Các nhãn như candidate, approved, rejected, champion hoặc archived.
• Thông tin deployment: Các environment và endpoint hiện đang sử dụng phiên bản này.

Các platform triển khai những khái niệm này theo những cách khác nhau. MLflow Model Registry workflow sử dụng registered model, version, alias và tag, trong khi Amazon SageMaker Model Registry hỗ trợ model group, trạng thái phê duyệt, lineage và tự động hóa deployment. Một số hệ thống cũng ghi lại model signature: schema input và output dự kiến được mô tả trong Snowflake model signature documentation.

Các alias như champion hoặc production cung cấp những tên ổn định có thể chuyển đổi giữa các phiên bản bất biến. Như được giải thích trong Vertex AI model alias guide, một ứng dụng có thể yêu cầu alias mà không cần hard-code số phiên bản.

Registry Model và các Khái niệm Liên quan#

Registry model có phần giao thoa với một số công cụ ML nhưng phục vụ một mục đích riêng biệt:

• Experiment tracking ghi lại các training run, bao gồm parameter, metric và artifact trung gian. Registry tiếp nhận các output được chọn từ những experiment đó và quản lý chúng dưới dạng các release candidate.
• Artifact storage lưu trữ các tệp lớn. Registry có thể lưu trực tiếp các tệp đó, nhưng cũng có thể hoạt động như một metadata index trỏ đến object storage bên ngoài. Kubeflow Model Registry architecture minh họa thiết kế lấy metadata làm trung tâm này.
• Source control quản lý phiên bản code, trong khi registry model quản lý phiên bản các artifact đã được training và metadata dành riêng cho ML của chúng. GitLab model registry có thể kết nối các phiên bản model với các CI/CD job, log, metric và parameter.
• Model deployment cung cấp một model được chọn để thực hiện inference. Registry xác định artifact đã được phê duyệt; hệ thống deployment chạy artifact đó.
• Model monitoring theo dõi hành vi trong production sau khi release. Kết quả monitoring có thể kích hoạt việc đánh giá, retraining, đăng ký và promotion một phiên bản thay thế.

Do đó, registry hoạt động như điểm kiểm soát giữa experimentation và production, thay vì thay thế mọi component xung quanh nó.

Các ứng dụng trong thực tế#

Trong một hệ thống kiểm tra sản xuất, các engineer có thể retrain defect detector mỗi khi camera, vật liệu hoặc thiết kế sản phẩm thay đổi. Registry có thể lưu lại tham chiếu dataset, mean average precision, inference latency và định dạng hardware được hỗ trợ của từng model. Sau khi các bài test xác nhận rằng version 12 cải thiện khả năng phát hiện vết xước mà không làm tăng cảnh báo giả, người phê duyệt có thể promote version này và giữ lại version 11 để rollback ngay lập tức.

Trong phân tích hình ảnh y tế, nhiều team có thể đánh giá các ứng viên phát hiện khối u. Việc đăng ký bảo toàn kết quả validation, cấu hình training, owner chịu trách nhiệm và lịch sử phê duyệt của từng phiên bản. Các ứng dụng production có thể chỉ được phép sử dụng những model đã qua review, trong khi các phiên bản cũ vẫn có sẵn cho audit và khả năng tái tạo. Các quyền kiểm soát dựa trên role, như được mô tả trong Snowflake Model Registry governance, giúp ngăn chặn việc thay thế hoặc kiểm tra trái phép các artifact nhạy cảm.

Đăng ký Model trong Workflow của Ultralytics#

Ultralytics Platform cung cấp khả năng quản lý model tập trung để annotation dataset, training, so sánh kết quả, export, deployment và monitoring các model computer vision. Platform model management workflow được ghi nhận trong tài liệu hỗ trợ các weight .pt được upload và các model được tạo thông qua training trên cloud hoặc remote.

Workflow được ghi nhận trong tài liệu dưới đây sẽ train Ultralytics YOLO26 locally, đồng thời gửi model, configuration, metrics và logs tạo ra đến một project có tên trên 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",
)

Tên project và run giúp dễ dàng tìm thấy ứng viên cùng với các model liên quan. Các team có thể đánh giá model này, sử dụng Ultralytics MLflow integration để ghi log experiment bổ sung hoặc áp dụng YOLO model export khi một model đã đăng ký cần chạy trên cloud hoặc edge hardware cụ thể.

Hướng dẫn Thực tiễn về Registry#

Hãy coi mọi phiên bản đã đăng ký là bất biến. Sử dụng alias dễ đọc đối với con người cho deployment, lưu giữ bằng chứng validation và xác định các yêu cầu promotion rõ ràng. Chính sách đặt tên dựa trên Semantic Versioning có thể truyền đạt các thay đổi về compatibility, mặc dù các phiên bản được tự động tăng cũng mang lại hiệu quả.

Quan trọng nhất, hãy đăng ký các package model hoàn chỉnh thay vì những tệp weight không có lời giải thích. Việc thiếu các quy tắc preprocessing, tên class, schema input, dependency hoặc tham chiếu dataset có thể khiến một model có vẻ hợp lệ không thể tái tạo hoặc không an toàn để triển khai. Access control, automated test, approval gate, audit log và quy trình rollback biến registry model từ một danh mục tệp thành một cơ chế bảo vệ production đáng tin cậy.