Machine Learning Operations (MLOps)
探索简化 AI 部署的 MLOps 要点。了解如何使用 Ultralytics YOLO26 和我们的 Platform 管理 CI/CD、数据版本控制与监控。
机器学习运维 (MLOps) 是一组实践、原则和技术，旨在简化将机器学习 (ML)模型从实验性开发阶段投入可靠生产部署的过程。MLOps 将数据科学的探索性与 DevOps 的严谨纪律相结合，旨在统一人工智能 (AI)应用的发布周期。传统软件开发主要关注代码版本控制，而 MLOps 则引入了管理大规模数据和不断变化的模型行为所带来的额外复杂性。这种整体性方法确保 AI 系统在整个生命周期内保持可扩展、准确并受到治理。
MLOps 的支柱#
成功实施 MLOps 依赖于弥合三个不同领域之间的鸿沟：数据工程、机器学习和 DevOps。
- 持续集成与交付 (CI/CD)： 正如标准软件使用CI/CD 流水线自动化测试和部署一样，MLOps 流水线会自动化模型训练和验证。这确保代码或数据发生更改时，会自动触发相关步骤，在更新进入生产环境之前验证模型性能。
- 数据和模型版本控制： 在传统编码中，你只需对源代码进行版本控制。在 MLOps 中，团队必须使用 DVC（数据版本控制）等工具，跟踪训练数据的变化以及模型超参数的变化。这保证了可复现性，使工程师能够根据历史记录重新创建任何特定版本的模型。
- 持续监控： 模型部署后，可能会因概念漂移而性能下降，即目标变量的统计属性会随时间发生变化。MLOps 包括设置可观测性系统，用于跟踪推理延迟和准确率等指标，并在需要重新训练时自动向团队发出警报。
实际应用#
MLOps 是现代企业级 AI 的骨干，使企业能够可靠地从单个模型扩展到数千个已部署的端点。
-
制造业预测性维护： 工厂使用计算机视觉识别装配线上的缺陷。MLOps 流水线确保在引入新产品线时，使用新图像重新训练目标检测模型、对其进行版本控制，并将其自动部署到工厂边缘设备，而不会造成停机。这确保即使制造条件发生变化，质量检验仍能保持一致。
-
智能零售库存： 零售商部署摄像头跟踪货架库存。由于商店照明和产品包装经常变化，模型漂移始终存在风险。MLOps 系统会监控置信度分数；如果置信度下降，系统会标记图像以供标注，并在云端启动重新训练周期，然后将更新后的模型推送到各门店，以维持自动化库存管理。
使用 Ultralytics 实施 MLOps#
任何 MLOps 工作流中的关键步骤都是实验跟踪。这确保每次训练运行都会连同其具体配置一起记录，使团队能够在必要时复现结果或回滚到之前的版本。
以下示例演示了如何训练 YOLO26模型——这是 Ultralytics 最新的先进模型，推荐用于所有新项目——同时启用项目跟踪功能。这样可以自然地创建生产流水线所需的构件。
from ultralytics import YOLO
# Load the YOLO26 model (recommended for superior speed and accuracy)
model = YOLO("yolo26n.pt")
# Train the model while specifying project and name for organized logging
# This creates a structured directory of artifacts (weights, charts, args)
# which is essential for reproducibility in MLOps pipelines.
results = model.train(data="coco8.yaml", epochs=10, project="mlops_experiments", name="run_v1")通过将训练运行整理到特定项目中，团队可以轻松集成 MLflow或 TensorBoard等工具，以可视化随时间变化的性能指标。随着组织规模扩大，他们通常会将这些工作流迁移到Ultralytics Platform，该平台提供统一界面，用于管理数据集、远程训练，以及将模型部署为 TensorRT等格式，从而优化推理速度。
MLOps 与相关概念的比较#
要有效实施这些实践，区分 MLOps 与生态系统中的相关术语非常重要。
- MLOps 与 DevOps： DevOps专注于软件应用的持续交付。MLOps 在这些原则的基础上，将“数据”和“模型”作为一等公民加入其中。在 DevOps 中，代码更改会触发构建；在 MLOps 中，数据分布发生变化或精确率下降也可能触发新的流水线执行。
- MLOps 与模型服务： 模型服务特指用于托管模型和处理推理请求的基础设施。MLOps 是涵盖模型服务的更广泛体系，同时还包括训练、治理和监控阶段。
- MLOps 与 AutoML： 自动化机器学习 (AutoML)专注于自动化模型创建过程（例如选择算法）。MLOps 管理模型创建之后的生命周期，并将运行 AutoML 工具的流水线投入实际运营。
