Machine Learning Operations (MLOps)
探索简化 AI 部署的 MLOps 要素。了解如何使用 Ultralytics YOLO26 和我们的平台管理 CI/CD、数据版本控制和监控。
机器学习运维 (MLOps) 是一套旨在简化将 机器学习 (ML) 模型从实验开发到可靠生产部署的过程的实践、原则和技术。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) 应用程序的发布周期。传统的软件开发主要侧重于代码版本控制，而 MLOps 引入了管理大规模数据和不断演变的模型行为等额外复杂性。这种整体方法确保了 AI 系统在整个生命周期内保持可扩展性、准确性和可管控性。
Link to this sectionMLOps 的支柱#
成功的 MLOps 实施依赖于弥合三个不同学科之间的鸿沟：数据工程、机器学习和 DevOps。
- 持续集成和交付 (CI/CD)： 正如标准软件使用 CI/CD 流水线 来实现测试和部署自动化一样，MLOps 流水线实现了模型训练和验证的自动化。这确保了代码或数据的更改能自动触发相关步骤，以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，你仅对源代码进行版本控制。在 MLOps 中，团队必须使用 DVC (Data Version Control) 等工具来跟踪 训练数据 与模型超参数的变化。这保证了 可重复性，使工程师能够从历史记录中重现任何特定的模型版本。
- 持续监控： 模型部署后，可能会因 概念漂移（即目标变量的统计特性随时间变化）而导致性能下降。MLOps 涉及建立 可观测性 系统来跟踪 推理延迟 和准确率等指标，并在需要重新训练时自动提醒团队。
Link to this section实际应用#
MLOps 是现代企业 AI 的中坚力量，使企业能够可靠地从单个模型扩展到数千个部署的端点。
-
制造业中的预测性维护： 工厂利用 计算机视觉 来识别装配线上的缺陷。MLOps 流水线确保在引入新产品线时，目标检测 模型能利用新图像进行重训练、版本化，并自动部署到工厂边缘设备，且无需停机。这确保了即使在制造条件发生变化时，质量检测 依然保持一致。
-
智慧零售库存： 零售商部署摄像头来跟踪货架库存。由于商店照明和产品包装经常变化，模型漂移 是一个持续存在的风险。MLOps 系统监控 置信度 分数；如果置信度下降，系统会将图像标记以供标注，并启动云端重训练周期，将更新后的模型推送到各门店，从而维持 自动化库存管理。
Link to this section使用 Ultralytics 实施 MLOps#
任何 MLOps 工作流程中的关键一步都是 实验跟踪。这确保了每次训练运行都记录有特定的配置，使团队能够在必要时重现结果或回滚到以前的版本。
下面的示例展示了如何训练 YOLO26 模型（这是 Ultralytics 推荐用于所有新项目的最新最先进模型），同时启用项目跟踪功能。这自然地创建了生产流水线所需的交付物。
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")通过将训练运行组织到特定的项目中，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。随着组织规模的扩大，他们通常会将这些工作流迁移到 Ultralytics Platform，该平台提供了一个统一的界面，用于管理数据集、远程训练，并将模型部署到各种格式（如 TensorRT），以优化推理速度。
Link to this sectionMLOps 与相关概念的对比#
为了有效地实施这些实践，区分 MLOps 与生态系统中的相关术语非常重要。
- MLOps 与 DevOps： DevOps 专注于软件应用程序的持续交付。MLOps 通过将“数据”和“模型”作为一等公民引入，扩展了这些原则。在 DevOps 中，代码更改会触发构建；在 MLOps 中，数据分布的变化或 精度 的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 是一个更广泛的涵盖概念，不仅包括服务，还包括训练、治理和监控阶段。
- MLOps 与 AutoML： 自动机器学习 (AutoML) 专注于实现模型创建过程的自动化（例如选择算法）。MLOps 则管理该模型在创建 之后 的生命周期，并实现运行 AutoML 工具的流水线操作化。
