MLflow ve Azure Machine Learning

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)

Bu makalede, makine öğrenmesi yaşam döngüsünün tamamını yöneten açık kaynak bir çerçeve olan MLflow'un özellikleri açıklanmaktadır. MLflow, modelleri farklı platformlarda eğitmek ve sunmak için tutarlı bir araç kümesi kullanır. Denemelerinizin yerel olarak, uzak işlem hedefinde, sanal makinede veya Azure Machine Learning işlem örneğinde çalışmasına bakılmaksızın MLflow kullanın.

Azure Machine Learning çalışma alanları MLflow uyumlu olduğundan, MLflow sunucusunu kullandığınız gibi bir Azure Machine Learning çalışma alanı kullanırsınız. Bu uyumluluk şu avantajları sunar:

Azure Machine Learning, MLflow sunucu örneklerini barındırmaz, ancak MLflow API'lerini doğrudan kullanır.
Azure Machine Learning'de çalıştırılsa da çalışmasa da tüm MLflow kodları için izleme sunucunuz olarak bir Azure Machine Learning çalışma alanı kullanın. MLflow'ı izlemenin gerçekleştiği çalışma alanına işaret eden şekilde yapılandırman yeter.
Değişiklik yapmadan Azure Machine Learning'de MLflow kullanan tüm eğitim yordamlarını çalıştırın.

İpucu

Azure Machine Learning SDK v1'den farklı olarak, Azure Machine Learning v2 SDK'sı günlüğe kaydetme işlevini içermez. Eğitim yordamlarınızı buluttan bağımsız, taşınabilir ve Azure Machine Learning'den bağımsız tutmak için MLflow günlüğünü kullanın.

İzleme nedir?

İşlerle çalışırken, Azure Machine Learning kod, ortam ve giriş ve çıkış verileri gibi denemelerle ilgili bilgileri otomatik olarak izler. Ancak modeller, parametreler ve ölçümler her senaryoya özeldir, bu nedenle model oluşturucuların izlemelerini ayarlamaları gerekir.

Kaydedilen izleme meta verileri denemelere göre değişir ve şunları içerebilir:

Kod
İşletim sistemi sürümü ve Python paketleri gibi ortam ayrıntıları
Giriş verileri
Parametre yapılandırmaları
Modeller
Değerlendirme ölçümleri
Karışıklık matrisleri ve önem çizimleri gibi değerlendirme görselleştirmeleri
Bazı değerlendirme tahminleri de dahil olmak üzere değerlendirme sonuçları

Denemeleri izlemenin avantajları

İster Azure Machine Learning'deki işlerle ister not defterlerinde etkileşimli olarak modelleri eğitin, deneme izleme şunları sağlar:

Tüm makine öğrenmesi denemelerinizi tek bir yerde düzenleyin. Ardından denemeleri arayın ve filtreleyin ve önceki denemelerle ilgili ayrıntıları görmek için detaya gidin.
Denemeleri karşılaştırın, sonuçları analiz edin ve model eğitiminde hata ayıklayın.
Sonuçları doğrulamak için denemeleri yeniden oluşturun veya yeniden çalıştırın.
Diğer ekip arkadaşlarınızın ne yaptığını gördüğünüzden, deneme sonuçlarını paylaştığınızdan ve deneme verilerine program aracılığıyla erişdiğinizden daha kolay işbirliği yapın.

MLflow ile izleme

Azure Machine Learning çalışma alanları MLflow ile uyumludur. Bu uyumluluk, eğitim yordamlarınızı değiştirmeden veya buluta özgü söz dizimi eklemeden çalışma alanlarındaki çalıştırmaları, ölçümleri, parametreleri ve yapıtları izlemek için MLflow kullanmanız anlamına gelir. Azure Machine Learning çalışma alanlarında denemeleri ve çalıştırmaları izlemek için MLflow'un nasıl kullanılacağını öğrenmek için bkz . MLflow ile denemeleri ve modelleri izleme.

Azure Machine Learning, denemeleriniz için ölçümleri günlüğe kaydetmek ve yapıtları depolamak için MLflow izlemesini kullanır. Azure Machine Learning'e bağlandığınızda, kullandığınız çalışma alanında tüm MLflow izlemesi görünür.

MLflow ile gerçek zamanlı çalıştırma ölçümlerini izlemek üzere günlüğe kaydetmeyi etkinleştirmeyi öğrenmek için bkz . MLflow ile günlük ölçümleri, parametreler ve dosyalar. Ayrıca MLflow ile denemeleri ve çalıştırmaları sorgular ve karşılaştırırsınız.

Azure Machine Learning'de MLflow, izlemeyi merkezi hale getirmek için bir yol sağlar. Yerel olarak veya farklı bir bulutta çalışırken bile MLflow'u Azure Machine Learning çalışma alanlarına bağlayın. Azure Machine Learning çalışma alanı, eğitim ölçümlerini ve modellerini depolamak için merkezi, güvenli ve ölçeklenebilir bir konum sağlar.

Azure Machine Learning'de MLflow şunları yapmanızı sağlar:

Yerel olarak veya bulutta çalışan makine öğrenmesi denemelerini ve modellerini izleyin.
Azure Databricks makine öğrenmesi denemelerini izleyin.
Azure Synapse Analytics makine öğrenmesi denemelerini izleyin.

R'de MLflow ile izleme

R'de MLflow desteği şu sınırlamalara sahiptir:

MLflow izlemesi, Azure Machine Learning işlerinde deneme ölçümlerini, parametrelerini ve modellerini izlemekle sınırlıdır.
RStudio, Posit (eski adıyla RStudio Workbench) veya R çekirdeklerine sahip Jupyter not defterleri üzerinde etkileşimli eğitim desteklenmez.
Model yönetimi ve kaydı desteklenmez. Model kaydı ve yönetimi için Azure Machine Learning CLI veya Azure Machine Learning stüdyosu kullanın.

Azure Machine Learning'de R modelleriyle MLflow izleme istemcisini kullanma örnekleri için bkz . Azure Machine Learning CLI(v2) kullanarak R modellerini eğitin.

Java'da MLflow ile izleme

Java'da MLflow desteği şu sınırlamalara sahiptir:

MLflow izleme, Azure Machine Learning işlerinde deneme ölçümlerini ve parametrelerini izlemekle sınırlıdır.
Yapıtlar ve modeller izlenemez. Bunun yerine, yakalamak istediğiniz modelleri veya yapıtları kaydetmek için işlerdeki klasörüyle mlflow.save_model yöntemini kullanınoutputs.

Azure Machine Learning izleme sunucusuyla MLflow izleme istemcisini kullanan bir Java örneği için bkz . azuremlflow-java.

MLflow izleme için örnek not defterleri

MLflow ile bir XGBoost sınıflandırıcısını eğitmek ve izlemek denemeleri izlemek, modelleri kaydedip birden fazla çeşidi işlem hatlarında birleştirmek için MLflow'un nasıl kullanılacağını gösterir.
Hizmet sorumlusu kimlik doğrulamasını kullanarak MLflow ile XGBoost sınıflandırıcısını eğitme ve izleme, Azure Machine Learning dışındaki bir işlem üzerinde çalışan denemeleri MLflow ile nasıl izleyebileceğinizi gösterir. Örnek, hizmet sorumlusu kullanarak Azure Machine Learning hizmetlerinde kimlik doğrulaması yapmayı gösterir.
HyperOpt kullanarak hiper parametre iyileştirmesi ve MLflow'da iç içe çalıştırmalar , popüler HyperOpt kitaplığını kullanarak modeller için hiper parametre iyileştirmesi yapmak üzere alt çalıştırmaların nasıl kullanılacağını gösterir. Örnek, alt çalıştırmalardan üst çalıştırmalara ölçümleri, parametreleri ve yapıtları aktarmayı gösterir.
MLflow ile model kaydı MLflow ile artifaktlar yerine model kavramının nasıl kullanılacağını gösterir. Örnekte ayrıca özel model oluşturma gösterilmektedir.
MLflow ile çalıştırmaları ve denemeleri yönetme , Azure Machine Learning'den denemeleri, çalıştırmaları, ölçümleri, parametreleri ve yapıtları sorgulamak için MLflow'un nasıl kullanılacağını gösterir.

MLflow ile model kaydı

Azure Machine Learning, model yönetimi için MLflow'a destek sağlar. MLflow istemcisini biliyorsanız modelin yaşam döngüsünün tamamını yönetmek için kullanabilirsiniz. Azure Machine Learning'de MLflow API'siyle modelleri yönetme hakkında daha fazla bilgi edinmek için bkz. MLflow ile Azure Machine Learning'de model kayıt defterlerini yönetme.

MLflow model kaydı için örnek not defteri

MLflow ile model yönetimi , kayıt defterlerindeki modellerin nasıl yönetileceğini gösterir.

MLflow ile model dağıtımı

Daha iyi bir deneyim elde etmek için Azure Machine Learning'e MLflow modelleri dağıtın. Azure Machine Learning, ortam veya puanlama betiği belirtmeden MLflow modellerini gerçek zamanlı ve toplu iş uç noktalarına dağıtmayı destekler.

MLflow SDK'sı, Azure Machine Learning CLI, Python için Azure Machine Learning SDK'sı ve tüm Azure Machine Learning stüdyosu MLflow modeli dağıtımını destekler. Hem gerçek zamanlı hem de toplu çıkarım için MLflow modellerini Azure Machine Learning'e dağıtma hakkında daha fazla bilgi için bkz. MLflow modellerini dağıtma yönergeleri.

MLflow modeli dağıtımı için örnek not defterleri

MLflow'un çevrimiçi uç noktalara dağıtılması , MLflow SDK'sını kullanarak MLflow modellerini çevrimiçi uç noktalara dağıtmayı gösterir.
MLflow dağıtımlarının aşamalı dağıtımı , aşamalı model dağıtımı ile MLflow SDK'sını kullanarak MLflow modellerini çevrimiçi uç noktalara dağıtmayı gösterir. Örnekte ayrıca modelin birden çok sürümünün aynı uç noktaya nasıl dağıtılacağı da gösterilmektedir.
MLflow modellerini eski web hizmetlerine dağıtma , MLflow SDK'sını kullanarak MLflow modellerini eski web hizmetlerine (Azure Container Instances veya Azure Kubernetes Service v1) dağıtmayı gösterir.
Azure Databricks'te modelleri eğitin ve Azure Machine Learning'de dağıtın, Azure Databricks'te modelleri eğitmeyi ve Azure Machine Learning'de dağıtmayı gösterir. Örnek, Azure Databricks'teki MLflow örneğiyle yapılan izleme denemelerini de kapsar.

MLflow Projeleri ile eğitim (önizleme)

Uyarı

Azure Machine Learning'deki dosyalar (MLproject) desteği Eylül 2026'da tamamen kullanımdan kaldırılacaktır. MLflow hala tam olarak desteklenmektedir ve Azure Machine Learning'de makine öğrenmesi iş yüklerini izlemenin hala önerilen yoludur.

MLflow kullanmaya devam ettikçe, Azure CLI veya Python için Azure Machine Learning SDK'sını (v2) kullanarak dosyalardan MLproject Azure Machine Learning İşlerine geçmenizi öneririz. Azure Machine Learning işleri hakkında daha fazla bilgi için bkz . MLflow ile ML denemelerini ve modellerini izleme.

Önemli

Bu özellik şu anda genel önizlemededir. Bu önizleme sürümü hizmet düzeyi sözleşmesi olmadan sağlanır ve üretim iş yükleri için bu sürümü önermeyiz. Bazı özellikler desteklenmiyor olabileceği gibi özellikleri sınırlandırılmış da olabilir.

Daha fazla bilgi için bkz. Microsoft Azure Önizlemeleri Ek Kullanım Koşulları.

MLflow Projelerini kullanarak Azure Machine Learning'e eğitim işleri gönderin. Azure Machine Learning izleme ile işleri yerel olarak gönderin veya Azure Machine Learning işlemini kullanarak işlerinizi buluta geçirin.

MLflow Projelerini kullanan eğitim işlerini Azure Machine Learning'de MLflow Projeleri ile Eğit (önizleme) bölümünde izlemek üzere Azure Machine Learning çalışma alanlarına göndermeyi öğrenin.

MLflow projeleri için örnek not defterleri

MLflow ile Azure Machine Learning istemci araçları özellikleri karşılaştırması

Aşağıdaki tabloda, MLflow SDK'sı ve Azure Machine Learning istemci araçlarıyla gerçekleştirebileceğiniz makine öğrenmesi yaşam döngüsü işlemleri gösterilmektedir.

Özellik	MLflow SDK'sı	Azure Machine Learning CLI/SDK v2	Azure Machine Learning Studio
Ölçümleri, parametreleri ve modelleri izleme ve günlüğe kaydetme	✓
Ölçümleri, parametreleri ve modelleri alma	✓	Yalnızca yapıtları ve modelleri indirebilirsiniz.	✓
Eğitim işleri gönderme	MLflow Projelerini (önizleme) kullanabilirsiniz.	✓	✓
Azure Machine Learning veri varlıklarıyla eğitim işleri gönderme		✓	✓
Makine öğrenmesi işlem hatları ile eğitim işleri gönderme		✓	✓
Denemeleri ve çalıştırmaları yönetme	✓	✓	✓
MLflow modellerini yönetme	Bazı işlemler desteklenmez. ¹	✓	✓
MLflow olmayan modelleri yönetme		✓	✓
MLflow modellerini Azure Machine Learning'e dağıtma (çevrimiçi ve toplu iş)	Şu anda toplu çıkarım için MLflow modellerini dağıtamazsınız. ²	✓	✓
MLflow olmayan modelleri Azure Machine Learning'e dağıtma		✓	✓

¹ Daha fazla bilgi için bkz . MLflow ile Azure Machine Learning'de model kayıt defterlerini yönetme.

² Alternatif olarak bkz . Spark işlerinde MLflow modellerini dağıtma ve çalıştırma.

Geri Bildirim

Bu sayfayı yararlı buldunuz mu?

Last updated on 2025-10-07