При разработке моделей важно не только обучить модель, но и уметь:

• отслеживать параметры обучения
• сохранять метрики (точность, F1 и др.)
• версионировать модели и датасеты
• воспроизводить эксперименты

Для этого используются инструменты вроде MLflow и DVC.

---

Зачем нужен трекинг

Допустим, вы обучили три модели с разными параметрами. Какая из них лучше? Сколько эпох было? Какой learning_rate? Где лежит файл модели?

Без трекинга это всё теряется в коде и папках. С трекингом — у вас есть история всех запусков и чёткая структура.

---

MLflow: метрики, параметры, модели

MLflow позволяет:

• логировать параметры (например, lr, batch_size)
• логировать метрики (accuracy, loss)
• сохранять артефакты (модели, графики, словари)
• запускать веб-интерфейс для просмотра экспериментов

Установка

pip install mlflow

Пример использования

import mlflow

mlflow.start_run()
mlflow.log_param("learning_rate", 0.001)
mlflow.log_metric("val_accuracy", 0.91)
mlflow.log_artifact("model.pt")
mlflow.end_run()

Веб-интерфейс

mlflow ui

Откроется на http://localhost:5000

---

DVC: версионирование данных и моделей

DVC (Data Version Control) — это как git, но для больших файлов.

С помощью DVC можно:

• хранить датасеты и модели в облаке (или на диске)
• логировать метрики в файле (metrics.json)
• описывать весь пайплайн в dvc.yaml

Установка

pip install dvc

Пример

dvc init
dvc add data/ads.csv
git add data/ads.csv.dvc .gitignore
git commit -m "добавил датасет"

Теперь можно загрузить данные с помощью DVC и быть уверенным, что версии совпадают у всех участников проекта.

---

Когда использовать

Что нужно	Что выбрать
Логировать метрики и параметры	MLflow
Хранить и версионировать данные	DVC
Работать в команде над моделями	MLflow + DVC
Поддерживать полный ML-процесс	Оба

---

Вывод

MLflow и DVC — это удобные и простые инструменты, которые помогают навести порядок в ML-проектах. Они не требуют большого порога входа, но дают много пользы: от логов и графиков до стабильной структуры версий и воспроизводимости.