2、模型版本管理基础：为什么需要版本管理、版本管理的核心概念（版本号、基线、标签）、常见版本管理工具对比（Git、DVC、MLflow）

好，咱们进入正题。模型版本管理，说白了就是给AI模型上个「户口」。你想想看，一个模型从训练到部署，中间要改多少次？调个超参数、换层网络结构、换个数据集……改着改着，你都不知道哪个版本是「能用的」了。

我刚开始做边缘AI那会儿，就吃过这个亏。有一次客户现场演示，模型突然崩了，我翻遍硬盘找了三个版本的权重文件，挨个试，最后发现——我拿错了。嗯，从那以后，我再也不敢不搞版本管理了。

2.1 为什么需要版本管理？

你可能觉得，小项目嘛，自己记住就行了。但现实是，模型迭代不是线性的，而是网状的。你同时要维护多个分支：一个在调精度，一个在压体积，一个在修bug。没有版本管理，你连「回退」都做不到。

具体来说，版本管理能解决三个核心痛点：

• 可追溯：谁、什么时候、改了什么东西？出了问题能快速定位。
• 可复现：三个月前的模型，现在还能一模一样地跑出来吗？版本管理保证你能。
• 可协作：团队里三个人同时改模型，不会互相覆盖。我见过最惨的案例，两个人改了同一个文件，结果模型训练了三天，最后发现用的是对方的旧代码。

2.2 版本管理的核心概念

搞懂三个概念，你就能上手了：版本号、基线、标签。我一个个说。

2.2.1 版本号

版本号不是随便写的。我个人习惯用「语义化版本号」：主版本号.次版本号.修订号。

• 主版本号：模型架构大改，或者训练方式完全变了。比如从ResNet50换成MobileNetV3。
• 次版本号：新增功能或优化，但兼容旧版本。比如加了数据增强、改了损失函数。
• 修订号：小修小补，比如修复了一个bug、调整了学习率。

举个例子：v2.3.1 表示主版本2，第3次功能更新，第1次小修复。这样一看就知道版本之间的关系。

2.2.2 基线

基线，就是「当前最好的版本」。你训练了10个模型，总得选一个作为「标准答案」吧？这个标准答案就是基线。

基线的作用是：

• 作为后续优化的起点
• 作为对比的基准
• 作为部署的候选

我一般会在每个迭代周期结束时，把表现最好的模型设为基线。比如，基线是 v2.3.1，精度85%。下一个版本如果精度低于85%，就不算「有效迭代」。

2.2.3 标签

标签是给版本号起的「别名」。比如，你可以给某个版本打上「生产环境」「测试环境」「实验性」等标签。这样，部署的时候直接拉标签，不用记版本号。

举个例子：

git tag -a "production-v1" -m "部署到生产环境的第一个版本"
git tag -a "experiment-lr0.01" -m "学习率0.01的实验版本"

标签的好处是，你可以在不同环境之间快速切换。我习惯把「生产环境」的标签固定下来，这样即使后面迭代了100个版本，回滚时也能一秒找到。

2.3 常见版本管理工具对比

工具选对了，事半功倍。我对比三个最常用的：Git、DVC、MLflow。它们各有侧重，别选错了。

工具	核心功能	适用场景	我的评价
Git	代码版本管理	代码、配置文件	基础工具，必须会
DVC	数据+模型版本管理	大数据集、模型文件	适合边缘AI，轻量
MLflow	全生命周期管理	实验追踪、模型注册	适合团队协作

2.3.1 Git：代码版本管理的基石

Git 是必须掌握的。但注意，Git 不适合管理大文件。模型文件动辄几百MB，Git 会卡死。我见过有人把模型文件直接 push 到 Git 仓库，结果 clone 一次要半小时。

Git 的正确用法是：管理代码、配置文件、Dockerfile。模型文件和数据文件，交给专门的工具。

2.3.2 DVC：数据与模型的版本管理利器

DVC（Data Version Control）是专门为数据科学设计的。它不存大文件本身，而是存文件的「指针」和「哈希值」。真正的文件存在云存储或本地缓存里。

DVC 的好处是：

• 轻量，不占 Git 仓库空间
• 支持回滚到任意版本的数据和模型
• 与 Git 无缝集成

举个例子：

# 初始化 DVC
dvc init

# 追踪模型文件
dvc add models/yolo_v8.pth

# 提交到 Git
git add models/yolo_v8.pth.dvc .gitignore
git commit -m "添加 YOLOv8 模型 v1.0"

这样，别人拉代码后，只需要 dvc pull 就能拿到对应的模型文件。版本切换也很简单：git checkout 切换代码，dvc checkout 切换模型。

2.3.3 MLflow：全生命周期管理

MLflow 比 DVC 更「重」一些。它不仅能管理版本，还能记录实验参数、指标、模型注册等。适合团队协作和自动化流水线。

MLflow 的核心组件：

• Tracking：记录每次实验的超参数、指标、输出文件
• Models：模型注册中心，支持版本管理和部署
• Registry：模型从「开发」到「生产」的状态管理

举个例子：

import mlflow

# 开始一次实验
with mlflow.start_run():
    mlflow.log_param("learning_rate", 0.001)
    mlflow.log_param("batch_size", 32)
    mlflow.log_metric("accuracy", 0.92)
    mlflow.pytorch.log_model(model, "model")

MLflow 的 UI 界面很直观，你可以看到所有实验的对比。我个人觉得，MLflow 适合「中大型团队」，小项目用 DVC 就够了。

2.4 如何选择？

我给你的建议是：

• 个人或小团队：Git + DVC 就够了。轻量、灵活、不折腾。
• 中大型团队：Git + MLflow。MLflow 的模型注册和实验追踪功能，能减少沟通成本。
• 边缘AI项目：优先 DVC。因为模型文件经常要压缩、量化，版本变化频繁，DVC 的「轻量回滚」最适合。