← retour aux snippets

mlflow: model registry

Enregistrer un modèle, créer des versions et promouvoir de Staging à Production.

python tracking #mlflow#model-registry#staging

objectif

Enregistrer un modèle, créer des versions et promouvoir de Staging à Production.

code minimal

import mlflow
import mlflow.sklearn
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_breast_cancer

X, y = load_breast_cancer(return_X_y=True)
mlflow.set_tracking_uri("file:./mlruns")
mlflow.set_experiment("registry-demo")

with mlflow.start_run() as run:
    model = LogisticRegression(max_iter=200).fit(X, y)
    mlflow.sklearn.log_model(model, "model")
    result = mlflow.register_model(f"runs:/{run.info.run_id}/model", "BreastCancerLR")
print(True)

utilisation

# Changer le stage (nécessite serveur ou UI API)
client = mlflow.tracking.MlflowClient()
# client.transition_model_version_stage(name="BreastCancerLR", version=1, stage="Staging")
print(True)

variante(s) utile(s)

# Lister versions
# client.search_model_versions(f"name='BreastCancerLR'")
print(True)

notes

  • Le registry complet exige un serveur MLflow; en local, l’inscription fonctionne, mais le changement de stage passe par API/serveur.