Le format de modèle MLflow
Empaquetez les modèles avec leurs dépendances et leur signature.
Le format de modèle MLflow est une leçon MLOps Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage MLOps Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours MLOps Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Beyond a Raw File
A bare pickle is just bytes. MLflow wraps your model in a self-describing folder so anyone can load it without guessing how. 📦
What Is a Flavor?
An MLflow flavor is a known format, like sklearn or pytorch, that tells MLflow exactly how to save and load that model.
One Model, Many Flavors
A single saved model can carry several flavors. That lets different tools load it their own way from the same artifact.
Save with a Flavor
Use the matching module to log a model. For scikit-learn you call mlflow.sklearn.log_model inside a run.
import mlflow.sklearn
mlflow.sklearn.log_model(model, name='model')The MLmodel File
Every saved model has an MLmodel YAML file listing its flavors, signature, and how to reload it. It is the model's ID card.
Dependencies Travel Too
MLflow records the libraries your model needs in a conda.yaml or requirements file, so the same environment can be rebuilt later.
The pyfunc Flavor
Most models also get the universal pyfunc flavor. It exposes one simple predict call, no matter the framework underneath. 🔑
Load as pyfunc
Loading via pyfunc gives you a generic object with predict, so your serving code stays the same across frameworks.
import mlflow.pyfunc
m = mlflow.pyfunc.load_model('runs:/<id>/model')
m.predict(X)Load Back Native
You can also reload in the original framework with the matching loader, getting the full native object instead of the generic wrapper.
model = mlflow.sklearn.load_model('runs:/<id>/model')Custom pyfunc Models
No built-in flavor fits? Subclass PythonModel and write your own predict to wrap any logic into the pyfunc format.
class MyModel(mlflow.pyfunc.PythonModel):
def predict(self, ctx, X):
return self.run(X)Why It Matters
Flavors make a model truly portable: training, registry, and serving all speak the same format without bespoke glue code.
Quick Check
Let's check your grasp of MLflow flavors.
Recap
An MLflow model is a self-describing folder with flavors, an MLmodel file, and pinned deps, loadable natively or as universal pyfunc. 🎉
Questions Fréquemment Posées
La leçon « Le format de modèle MLflow » est-elle gratuite ?
Oui — le texte complet de « Le format de modèle MLflow » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours MLOps Academy, passe à CoddyKit PRO. Le cours MLOps Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Le format de modèle MLflow » ?
Empaquetez les modèles avec leurs dépendances et leur signature. Tu pratiques MLOps Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer MLOps Academy ?
Aucune expérience préalable n'est requise. MLOps Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Le format de modèle MLflow » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon MLOps Academy ?
Oui. Chaque leçon MLOps Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Sérialiser avec Pickle et Joblib
- Le format de modèle MLflow
- Exporter vers ONNX pour faciliter la portabilité
- Définir la signature et le schéma d’un modèle