启动mlflow server后artifact文件夹为空且UI无相关记录的问题咨询
MLflow 服务端 Artifact 为空问题排查方案
- 客户端 Tracking URI 配置错误
运行训练任务的代码中未正确指定 MLflow 服务端地址时,MLflow 默认会将 Artifact 存储在本地执行目录的./mlruns路径下,不会上传至服务端。请在训练代码开头添加配置:
import mlflow mlflow.set_tracking_uri("http://<你的MLflow服务端IP>:5000")
- 服务端 Artifact 目录权限不足
启动 MLflow 服务的用户对./mlflowruns目录没有读写权限,会导致服务端接收了 Artifact 元数据但无法写入实际文件。可以先给目录开放对应权限,或者启动服务时将 artifact root 改为绝对路径,避免相对路径歧义:mlflow server --backend-store-uri mlflow_db --default-artifact-root /绝对路径/mlflowruns --host 0.0.0.0 --port 5000 - 代码未调用 Artifact 日志接口
确认训练代码中确实调用了 Artifact 相关的日志接口,比如mlflow.log_artifact()、mlflow.log_model()、mlflow.log_artifacts()等。如果仅记录了参数、指标类数据,未上传任何文件,Artifact 区域默认就是空的,和 UI 提示的内容一致。 - 相对路径歧义问题
启动 MLflow 服务时使用的是相对路径./mlflowruns,如果启动服务时的工作目录和你预期的目录不一致,会导致文件被写入其他位置,你误以为对应目录为空。替换为绝对路径可以完全避免这类问题。
内容的提问来源于stack exchange,提问作者Gopinath Rajee
相关产品推荐
相关产品推荐

