Model Registry

了解模型注册表如何对 ML 模型进行版本管理、治理和部署。探索 Ultralytics Platform，了解集中式训练、管理、监控和可复现性。

模型注册中心是一种集中式系统，用于在机器学习模型的整个生命周期中对其进行组织、版本管理、治理和检索。它将模型文件（例如学习得到的模型权重）与元数据关联起来，这些元数据描述了每个模型的训练、评估、审批和部署方式。作为机器学习运维的核心组件，注册中心为团队提供可信的信息源，用于决定哪个模型版本应当承载生产流量。

模型注册中心的工作原理#

模型注册会在一次训练运行生成候选模型后开始。注册中心会创建一个命名条目、分配一个版本，并记录理解和复现该模型产物所需的信息。典型条目包括：

模型产物： 序列化权重、预处理逻辑、配置文件，或指向其存储位置的引用。
版本： 用于区分不同候选模型的不可变标识符。
指标和参数： 验证准确率、精确率、召回率、延迟、数据集详情、超参数和其他测量值。
谱系： 模型、源代码、训练运行和数据之间的关联。
状态： 候选、已批准、已拒绝、冠军或已归档等标签。
部署信息： 当前使用该版本的环境和端点。

不同平台对这些理念的实现方式各不相同。MLflow Model Registry 工作流使用已注册模型、版本、别名和标签，而Amazon SageMaker Model Registry支持模型组、审批状态、谱系和部署自动化。有些系统还会记录模型签名：即Snowflake 模型签名文档中所述的预期输入和输出架构。

champion 或 production 等别名提供稳定名称，可以在不同不可变版本之间切换。正如Vertex AI 模型别名指南所述，应用可以请求别名，而无需将版本号硬编码在代码中。

模型注册中心与相关概念的比较#

模型注册中心与多个 ML 工具存在交集，但用途各不相同：

**实验跟踪**记录训练运行，包括参数、指标和中间产物。注册中心会接收这些实验中经过选择的输出，并将其作为发布候选进行管理。
产物存储用于保存大型文件。注册中心可以直接存储这些文件，也可以充当元数据索引，指向外部对象存储。Kubeflow Model Registry 架构展示了这种以元数据为中心的设计。
源代码控制对代码进行版本管理，而模型注册中心则对训练产物及其特定于 ML 的元数据进行版本管理。GitLab model registry可以将模型版本与 CI/CD 作业、日志、指标和参数关联起来。
**模型部署**使选定的模型可用于推理。注册中心负责标识已批准的模型产物；部署系统负责运行它。
**模型监控**在模型发布后观察其生产环境中的行为。监控结果可以触发评估、重新训练、注册以及替换版本的晋级。

因此，注册中心充当实验与生产之间的控制点，而不是取代其周围的所有组件。

实际应用#

在制造业检测系统中，每当摄像头、材料或产品设计发生变化时，工程师都可能重新训练缺陷检测器。注册中心可以保留每个模型的数据集引用、平均精度均值、推理延迟和支持的硬件格式。测试确认第 12 版在不增加误报的情况下提升了划痕检测效果后，审批人可以将其晋级，同时保留第 11 版以便立即回滚。

在医学图像分析中，多个团队可能会评估肿瘤检测候选模型。注册过程会保留每个版本的验证结果、训练配置、负责人和审批历史。生产应用可以限制为仅使用经过审查的模型，而旧版本仍可用于审计和复现。基于角色的控制（例如Snowflake Model Registry 治理中所述的控制）有助于防止未经授权地替换或检查敏感模型产物。

Ultralytics 工作流中的模型注册#

Ultralytics Platform为计算机视觉模型提供集中式模型管理功能，涵盖数据集标注、训练、结果比较、导出、部署和监控。其文档化的Platform 模型管理工作流支持上传的 .pt 权重，以及通过云端或远程训练生成的模型。

下面介绍的文档化工作流会在本地训练Ultralytics YOLO26，同时将生成的模型、配置、指标和日志发送到一个命名的 Platform 项目中：

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",
)

项目名称和运行名称使候选模型能够与相关模型一起被发现。团队可以对其进行评估，使用Ultralytics MLflow 集成记录更多实验信息，或者在注册模型必须运行于特定云端或边缘硬件上时应用YOLO 模型导出。