MLflow是否支持不重复存储工件，仅关联自定义路径已有工件？

你不需要手动修改meta.yaml文件，MLflow本身提供了原生API支持直接指向自定义工件存储路径，全程不会产生文件副本，完全符合你的需求：

方案1：创建运行时直接指定工件路径（最推荐，最稳定） #

在初始化运行时，给mlflow.start_run()传入artifact_uri参数，直接将本次运行的工件根目录绑定到你已有的图像存储绝对路径即可，后续MLflow会直接从该路径读取工件展示在UI中，不会执行任何复制操作。
示例代码：

import mlflow

# 替换成你自己的图像目录绝对路径
custom_image_dir = "/mydrive2/output/my_experiment0/images"

# 启动运行时直接绑定外部工件路径
with mlflow.start_run(artifact_uri=custom_image_dir) as run:
    # 正常记录参数、指标等其他追踪信息即可
    mlflow.log_param("model_type", "resnet50")
    mlflow.log_metric("val_acc", 0.94)
    # 无需调用log_artifact复制图片，路径下的所有文件会自动被UI识别展示

该方式实现的效果和你手动改meta.yaml完全一致：打开MLflow UI进入对应运行的Artifacts页签，就能直接预览目录下的image1.png、image2.png等所有文件，没有任何重复存储开销。

方案2：修改已存在运行的工件路径 #

如果对应运行已经创建完成、不想重新跑任务，可以通过官方MlflowClient提供的API修改artifact_uri字段，不需要手动编辑yaml文件：

from mlflow.tracking import MlflowClient

client = MlflowClient()
# 替换成你要修改的目标运行ID
target_run_id = "a1b2c3d4e5f6xxxxxx"
custom_image_dir = "/mydrive2/output/my_experiment0/images"

# 调用官方接口更新运行元数据
client.update_run(
    run_id=target_run_id,
    artifact_uri=custom_image_dir
)

注：该接口在MLflow 1.20及以上版本稳定支持，如果你使用的版本过低建议先升级。

注意事项 #

• 传入artifact_uri必须使用绝对路径，不要用相对路径，否则切换工作目录启动MLflow UI时会出现文件找不到的问题
• 确保运行训练任务的进程、启动MLflow UI的进程对自定义图像目录有可读权限，否则UI无法加载图片预览
• 如果你后续需要追加记录其他小工件（比如训练配置、模型权重小文件），调用mlflow.log_artifact时文件会直接写入你指定的自定义目录，不会存到MLflow默认的存储路径下
• 禁止直接手动修改meta.yaml：尤其是使用远程Tracking Server、数据库作为元数据存储时，本地修改yaml不会同步到元数据库，还可能破坏元数据一致性。

内容的提问来源于stack exchange，提问作者johnmday