Inizializzare DVC e monitorare un dataset

DVC è un pacchetto Python, quindi un singolo comando pip è sufficiente per iniziare. Dopodiché il comando dvc sarà disponibile nel terminale.

DVC funziona insieme a Git, non al suo posto. Perciò lo si esegue all'interno di un repository Git esistente, dove risiede già il codice.

dvc init aggiunge una cartella nascosta .dvc che contiene la configurazione e la cache locale. La si esegue il commit una sola volta, così tutto il team condivide la stessa configurazione.

Indichi a DVC il file o la cartella di cui vuole gestire le versioni con dvc add. DVC sposta i dati effettivi nella cache e lascia al loro posto un piccolo segnaposto.

dvc add crea un piccolo file .dvc accanto ai dati. Contiene l'hash e le dimensioni del file e funge da indirizzo che Git terrà sotto controllo.

Esegue il commit del piccolo file .dvc in Git, mai del dataset originale. Git registra così quale versione dei dati si aspetta questo commit.

Per evitare di eseguire accidentalmente il commit del file di grandi dimensioni, dvc add aggiunge automaticamente il percorso del dataset a .gitignore. Git ignora semplicemente i dati pesanti.

DVC assegna ai file memorizzati nella cache un nome basato sul loro hash del contenuto. I dati identici vengono archiviati una sola volta, evitando sprechi di spazio su disco. 💾

Esegua dvc status in qualsiasi momento per verificare se i dati di lavoro corrispondono a ciò che si aspettano i file .dvc. È un rapido controllo dello stato.

Quando il dataset cambia, esegua nuovamente dvc add. DVC ricalcola l'hash e aggiorna il file .dvc, che lei eseguirà come commit per creare una nuova versione.

dvc add funziona con intere directory, non solo con singoli file. Lo indirizzi a una cartella e DVC gestirà le versioni di tutto ciò che contiene come un'unica unità.

Ha eseguito dvc init e poi dvc add per tenere traccia di un dataset. DVC memorizza nella cache i dati effettivi e scrive un piccolo puntatore .dvc di cui Git esegue il commit, mantenendo collegati codice e dati.