MLFlow构建Docker镜像时自定义模块导入失败问题求助

核心问题 #

你的自定义BypassablePipeline所在的mymodule没有被正确打包到MLflow模型的artifacts中，导致Docker镜像构建时无法安装或定位到该模块。

针对性解决步骤 #

1. 日志模型时明确指定自定义代码路径

在调用mlflow.sklearn.log_model时，必须通过code_path参数将mymodule的源码目录或文件纳入模型artifacts，MLflow会自动将这些代码复制到镜像环境：

model_info = mlflow.sklearn.log_model(
    model,
    artifact_path='model',
    registered_model_name=model_registry_name,
    signature=model_signature, 
    pip_requirements=my_pip_requirements,
    code_path=["mymodule/"]  # 传入自定义模块的根目录
)

• 若mymodule包含多个子文件，也可指定具体文件，比如["mymodule/__init__.py", "mymodule/bypass_pipeline.py"]

2. 修正requirements.txt的依赖声明

• 彻底移除-e .：该开发模式安装仅在本地有效，Docker构建环境无法访问你的本地源码目录
• 若使用wheel包，确保wheel可被镜像构建环境获取：
  • 私有wheel可和模型一起归档，或上传到私有PyPI仓库，然后在requirements.txt中写mymodule==x.x.x
  • 若已通过code_path传入源码，requirements.txt无需再声明该模块（MLflow会自动处理）

3. 验证模型artifacts的完整性

日志模型后，检查模型目录结构：

• 查看requirements.txt或conda.yaml，确认依赖列表正确
• 确认模型目录下存在code文件夹，且其中包含mymodule的所有源码文件

4. 构建镜像时查看详细日志

添加--verbose参数运行构建命令，排查安装过程中的问题：

mlflow models build-docker -m "path_to_model" --enable-mlserver -n "image_name" --env-manager=virtualenv --verbose

通过日志确认mymodule是否被正确复制到镜像中，或依赖是否正常安装

5. Pyfunc包装模型的补充配置

如果使用PythonModel包装，日志Pyfunc模型时同样需要指定code_path，确保自定义模块被包含：

mlflow.pyfunc.log_model(
    artifact_path="pyfunc_model",
    python_model=PyfuncModelWrapper(),
    artifacts={"original_model_path": model_info.model_uri},
    code_path=["mymodule/"],
    pip_requirements=my_pip_requirements
)

内容的提问来源于stack exchange，提问作者Michal M