如何在MLflow 3.0+中便捷加载已有模型并完成注册？

针对你遇到的问题，以下是几种官方支持的便捷方案，无需hack操作：

1. 确认并使用正确的runs:/路径注册 #

你之前的runs:/{run_id}/sklearn-model失效，大概率是模型在Run的Artifact目录中的实际路径并非sklearn-model。先通过API查看目标Run的Artifact结构：

from mlflow.tracking import MlflowClient

client = MlflowClient()
best_run_id = "你的最优实验Run ID"
# 列出该Run下所有Artifact路径
for artifact in client.list_artifacts(best_run_id):
    print(artifact.path)

找到模型对应的Artifact路径（比如anomaly-model）后，直接用runs:/路径注册：

import mlflow

mlflow.register_model(
    model_uri=f"runs:/{best_run_id}/anomaly-model",
    name="Anomaly-Detection-Model"
)

2. 使用MlflowClient的create_model_versionAPI（更灵活） #

相比于顶层的mlflow.register_model，MlflowClient提供的create_model_version支持显式指定run_id，适配更复杂的场景：

from mlflow.tracking import MlflowClient

client = MlflowClient()
model_name = "Anomaly-Detection-Model"
best_run_id = "你的最优实验Run ID"
model_artifact_path = "模型在Run中的Artifact路径"

# 先创建注册模型（若已存在则跳过）
try:
    client.create_registered_model(model_name)
except mlflow.exceptions.MlflowException:
    pass

# 创建模型版本并关联到目标Run
model_version = client.create_model_version(
    name=model_name,
    source=f"runs:/{best_run_id}/{model_artifact_path}",
    run_id=best_run_id
)

3. 处理独立models目录下的模型注册 #

如果模型确实存放在Run目录外的独立models目录，可通过在本地路径后追加?run_id=<目标Run ID>查询参数，满足MLflow的关联要求：

import mlflow

best_run_id = "你的最优实验Run ID"
local_model_path = "/path/to/your/independent/models/best-model"

mlflow.register_model(
    model_uri=f"file:{local_model_path}?run_id={best_run_id}",
    name="Anomaly-Detection-Model"
)

补充说明 #

• 你之前尝试的重新封装PythonModel属于冗余操作，只要模型是通过MLflow的log_model系列方法（如mlflow.sklearn.log_model）记录的，均可直接通过上述路径方式注册，无需重新序列化或封装。
• 核心逻辑是：模型注册需要关联到特定实验Run（用于溯源），无论是通过runs:/路径隐式关联，还是通过查询参数显式指定run_id，本质都是让MLflow确认模型的实验来源。

内容的提问来源于stack exchange，提问作者Igor Dudko