MLflow는 Databricks가 오픈소스로 공개한 ML 실험 관리 플랫폼이다. 실험 추적, 모델 패키징, 모델 레지스트리, 모델 서빙을 통합 지원하며 프레임워크에 독립적이다.
핵심 구성 요소
| 컴포넌트 | 역할 |
|---|
| MLflow Tracking | 파라미터, 메트릭, 아티팩트 기록 |
| MLflow Projects | 재현 가능한 실험 패키징 |
| MLflow Models | 표준 모델 포맷 |
| MLflow Registry | 모델 버전 관리 |
실험 추적
python
import mlflow
import mlflow.sklearn
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
mlflow.set_experiment("my-experiment")
with mlflow.start_run():
# 하이퍼파라미터 로깅
n_estimators = 100
max_depth = 5
mlflow.log_params({"n_estimators": n_estimators, "max_depth": max_depth})
# 모델 학습
model = RandomForestClassifier(n_estimators=n_estimators, max_depth=max_depth)
model.fit(X_train, y_train)
# 메트릭 로깅
acc = accuracy_score(y_test, model.predict(X_test))
mlflow.log_metric("accuracy", acc)
# 모델 저장
mlflow.sklearn.log_model(model, "model")
print(f"Accuracy: {acc:.4f}")
모델 레지스트리
python
from mlflow.tracking import MlflowClient
client = MlflowClient()
# 모델 등록
mlflow.register_model("runs:/abc123/model", "ProductionModel")
# 스테이징 → 프로덕션 전환
client.transition_model_version_stage(
name="ProductionModel",
version=3,
stage="Production"
)
# 프로덕션 모델 로드
model = mlflow.sklearn.load_model("models:/ProductionModel/Production")
MLflow UI
bash
mlflow ui --host 0.0.0.0 --port 5000
# 브라우저에서 http://localhost:5000 접속
관련 개념
