Linux环境下MLflow sklearn log_model权限及协议配置报错排查

第一个问题：PermissionError: [Errno 13] Permission denied: '/D:' #

原因 #

Linux系统下出现Windows风格的/D:路径，大概率是MLflow读取了残留的Windows环境变量（比如MLFLOW_TRACKING_URI或MLFLOW_ARTIFACT_URI）——这些变量被设置成了类似file:///D:/xxx的Windows路径，在Linux下解析时就变成了/D:，而你对这个路径没有操作权限。

解决步骤 #

• 检查并清除环境变量：在终端执行echo $MLFLOW_TRACKING_URI和echo $MLFLOW_ARTIFACT_URI，如果输出是Windows路径，直接清除：

  unset MLFLOW_TRACKING_URI
  unset MLFLOW_ARTIFACT_URI
  

  或者在Jupyter Notebook里用Python代码清除：

  import os
  os.environ.pop("MLFLOW_TRACKING_URI", None)
  os.environ.pop("MLFLOW_ARTIFACT_URI", None)
  

• 显式指定本地跟踪目录：在代码开头设置一个Linux下你有权限的路径，比如：

  import mlflow
  mlflow.set_tracking_uri("./mlruns")  # 用当前目录下的mlruns文件夹存储跟踪数据
  

  之后再执行mlflow.sklearn.log_model(lr, "model")，模型会被存储到./mlruns目录下，不会再出现/D:路径。

第二个问题：MlflowException: 跟踪URI scheme 'file'无效 #

原因 #

你设置了HTTP类型的tracking_uri，但artifact存储的scheme还是默认的file，MLflow的代理artifact机制要求tracking uri必须是HTTP/HTTPS，同时需要确保MLflow服务已正确启动并配置了artifact存储路径。

解决步骤 #

1. 正确启动MLflow服务：在终端执行命令，指定服务端口和artifact存储目录（选一个你有权限的本地目录）：

   mlflow server --host 0.0.0.0 --port 4321 --default-artifact-root ./mlflow_artifacts
   

   这里--default-artifact-root指定了服务端存储artifact的路径，确保该目录已存在且你有权限读写。
2. 在Notebook中配置正确的URI：

   import mlflow
   from mlflow.tracking import MlflowClient
   
   # 设置tracking uri为MLflow服务地址
   mlflow.set_tracking_uri("http://localhost:4321")
   # 无需单独设置artifact_uri，服务会自动使用--default-artifact-root指定的路径
   client = MlflowClient(tracking_uri="http://localhost:4321")
   

3. 检查残留环境变量：确保MLFLOW_ARTIFACT_URI没有被设置成file://开头的路径，按第一个问题里的方法清除即可。

内容的提问来源于stack exchange，提问作者KansaiRobot