使用DagsHub作为MLflow追踪URI时模型注册报错的解决方案咨询

DagsHub目前确实不支持MLflow Model Registry的原生API，不过无需自行部署MLflow服务器，可通过以下几种方案实现模型版本管理和CI/CD工作流：

1. 基于Git LFS+标签的版本管理 #

利用DagsHub的Git仓库特性，结合Git LFS存储大模型文件，通过Git标签标记版本与阶段：

• 先初始化Git LFS并追踪模型文件路径：

  git lfs install
  git lfs track "models/**/*" # 匹配你的模型文件存放路径
  

• 训练完成后，将模型文件提交到DagsHub仓库，为对应提交打版本+阶段标签：

  git add models/your_trained_model
  git commit -m "Submit model version 1.0"
  git tag -a v1.0-staging -m "Model v1.0 (staging phase)"
  git push origin main --tags
  

• CI/CD触发：通过DagsHub集成的GitHub Actions/GitLab CI，监听标签规则（如*-staging、*-production），自动触发对应环境的部署流程。

2. MLflow追踪+自定义版本管理脚本 #

继续使用DagsHub作为MLflow追踪URI，同时通过自定义脚本实现版本与阶段管理：

• 训练完成后，在MLflow run中记录版本号和阶段信息，并将模型按版本归档：

  import os
  import shutil
  from mlflow import log_param, log_artifact
  
  # 定义模型版本与阶段
  model_version = "1.0"
  stage = "Staging"
  
  # 记录元数据到MLflow
  log_param("model_version", model_version)
  log_param("model_stage", stage)
  
  # 按版本归档模型文件
  target_dir = f"models/v{model_version}"
  os.makedirs(target_dir, exist_ok=True)
  shutil.copy(model_info["model_path"], target_dir)
  
  # 上传归档目录到MLflow（DagsHub会存储该artifact）
  log_artifact(target_dir)
  

• CI/CD触发：通过DagsHub API查询MLflow run的元数据，根据版本和阶段触发部署流水线。

3. 利用DagsHub Model Catalog #

DagsHub自带的Model Catalog功能支持模型版本管理、阶段流转：

• 可直接在DagsHub界面上传模型，或通过DagsHub API将训练好的模型上传至Model Catalog，手动或自动标记版本与阶段（如Staging/Production）。
• 在CI/CD流程中调用DagsHub API，拉取对应阶段的模型文件进行部署。

如果以上方案无法满足复杂的模型注册表需求，再考虑自行部署独立的MLflow服务器，同时将DagsHub作为远程存储使用。

内容的提问来源于stack exchange，提问作者Ayush vishwakarma