如何将作为输入的MLflow模型关联至运行且无需重新记录完整模型

核心思路 #

无需重新记录完整模型，通过关联现有模型的元数据到评估运行，让UI的「已记录模型」标签识别到输入模型的关联关系。

具体实现方案 #

方案1：记录模型元数据文件（推荐） #

直接获取训练运行中模型的核心元数据文件，将其记录到评估运行的artifact目录，UI会自动识别为已关联模型：

from mlflow.tracking import MlflowClient

client = MlflowClient()
# 训练运行的ID和模型存储路径
train_run_id = "你的训练运行ID"
model_artifact_path = "模型在训练运行中的artifact路径（如'model'）"

# 下载模型的核心元文件到临时目录
client.download_artifacts(train_run_id, f"{model_artifact_path}/MLmodel", "./temp_model")
client.download_artifacts(train_run_id, f"{model_artifact_path}/conda.yaml", "./temp_model")

# 在评估运行中记录这些元文件
mlflow.log_artifact("./temp_model/MLmodel", artifact_path="input_model")
mlflow.log_artifact("./temp_model/conda.yaml", artifact_path="input_model")

完成后，评估运行的「已记录模型」标签会显示input_model，点击可关联到原训练模型的完整内容。

方案2：关联已注册的模型版本 #

如果模型已注册到MLflow模型仓库，可直接在评估运行中记录版本关联信息：

from mlflow.tracking import MlflowClient

client = MlflowClient()
registered_model_name = "你的模型名称"
train_run_id = "你的训练运行ID"
model_uri = f"runs:/{train_run_id}/model"

# 注册模型（若未注册）
client.create_model_version(name=registered_model_name, source=model_uri, run_id=train_run_id)

# 在评估运行中记录关联参数
mlflow.log_param("input_model_name", registered_model_name)
mlflow.log_param("input_model_version", "1")  # 替换为实际版本号
# 同时记录模型元文件确保UI识别
client.download_artifacts(train_run_id, "model/MLmodel", "./temp")
mlflow.log_artifact("./temp/MLmodel", artifact_path="input_model")

方案3：通过运行标签标记关联 #

给评估运行添加自定义标签，明确标记输入模型的来源，配合元文件记录实现UI关联：

client = MlflowClient()
eval_run_id = "你的评估运行ID"
train_run_id = "你的训练运行ID"

# 添加标签标记输入模型信息
client.set_tag(eval_run_id, "input_model_run_id", train_run_id)
client.set_tag(eval_run_id, "input_model_path", "model")

# 记录模型元文件
client.download_artifacts(train_run_id, "model/MLmodel", "./temp")
client.log_artifact(eval_run_id, "./temp/MLmodel", "input_model")

关于mlflow.set_active_model()失效的原因 #

mlflow.set_active_model()是高层上下文API，仅作用于当前MLflow上下文环境；而MlflowClient是底层直接调用接口，不共享高层上下文状态，因此无法通过该方法实现Client层面的模型关联。

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