Tüm Ürünler
Search
Belge Merkezi

Container Service for Kubernetes:Configure the MLflow model registry

Son Güncelleme:Oct 06, 2026

MLflow; eğitim çalıştırmalarını izlemek, modelleri yönetmek ve bunları dağıtmak için kullanılan açık kaynaklı bir makine öğrenimi yaşam döngüsü platformudur. Bu konuda, RDS PostgreSQL arka ucuna sahip bir ACK Pro kümesinde model yönetimi için MLflow model kayıt defterinin nasıl yapılandırılacağı açıklanmaktadır.

MLflow model kayıt defterine giriş

Bkz. MLflow Model Registry — MLflow documentation.

Ön koşullar

  • Kubernetes 1.20 veya sonraki bir sürümle bir ACK Pro cluster oluşturulmuştur.

  • Bir RDS PostgreSQL instance oluşturulmuştur.

    ACK kümenizle aynı VPC'yi seçmenizi ve dahili erişim için CIDR bloğunu whitelist öğesine eklemenizi öneririz. RDS örneği ile ACK kümesi farklı VPC'lerde bulunuyorsa genel ağ erişimini etkinleştirin ve ACK kümesi VPC CIDR bloğunu izin listesine ekleyin.

  • RDS PostgreSQL örneğinde mlflow adında standart bir account oluşturulmuştur.

  • Model meta verileri için RDS PostgreSQL örneğinde mlflow_store adında bir database oluşturulmuştur. Authorized Account değerini mlflow hesabına ayarlayın.

  • (İsteğe bağlı) MLflow kimlik doğrulama verileri için RDS PostgreSQL örneğinde mlflow_basic_auth adında bir database oluşturulmuştur. Authorized Account değerini mlflow hesabına ayarlayın.

  • Arena client (0.9.14 veya sonraki sürüm) yapılandırılmıştır.

Adım 1: MLflow'u bir ACK kümesine dağıtın

  1. ACK console adresine gidin. Sol gezinme bölmesinde Clusters öğesini tıklayın.

  2. Clusters sayfasında kümenizin adını tıklayın. Sol gezinme bölmesinde Applications > Helm öğelerini seçin.

  3. Deploy öğesini tıklayın. Deploy sayfasında Application Name değerini mlflow olarak, Namespace değerini ise kube-ai olarak ayarlayın. Chart bölümünde mlflow değerini aratın ve seçin. Next öğesini tıklayın. Chart için varsayılan ad alanı olarak mlflow kullanılıp kullanılmayacağını onaylayın.

    • AI Suite konsolunu kullanmak için varsayılan sürüm adı mlflow olacak şekilde kube-ai ad alanında dağıtım yapın.

    • Arena'yı kullanmak için varsayılan sürüm adı mlflow olacak şekilde herhangi bir ad alanında dağıtım yapın.

  4. Create sayfasında Chart parametrelerini yapılandırın.

    1. defaultArtifactRoot ve backendStore değerlerini yapılandırın:

      trackingServer:
        # -- Specifies which mode mlflow tracking server run with, available options are `serve-artifacts`, `no-serve-artifacts` and `artifacts-only`
        mode: no-serve-artifacts
        # -- Specifies a default artifact location for logging, data will be logged to `mlflow-artifacts/:` if artifact serving is enabled, otherwise `./mlruns`
        defaultArtifactRoot: "./mlruns"
      # For more information about how to configure backend store, please visit https://mlflow.org/docs/latest/tracking/backend-stores.html
      backendStore:
        # -- Backend store uri e.g. `<dialect>+<driver>://<username>:<password>@<host>:<port>/<database>`
        backendStoreUri: postgresql+psycopg2://mlflow:<password>@pgm-xxxxxxxxxxxxxx.pg.rds.aliyuncs.com/mlflow_store

      backendStore.backendStoreUri değerini mlflow_store veritabanınızın uç noktasıyla değiştirin.

      Önemli

      RDS örneği ile ACK kümesi aynı VPC'deyse dahili uç noktayı kullanın. Aksi takdirde genel uç noktayı kullanın ve ACK kümesinin bu uç noktaya erişebildiğinden emin olun.

      RDS PostgreSQL console adresine gidin. Instance ID > Database Connection > Internal/External Endpoint yolunu izleyerek pgm-xxxxxxxxxxxxxx.pg.rds.aliyuncs.com gibi bir uç nokta alın.

      Bkz. Connect to a database.

    2. (İsteğe bağlı) BasicAuth özelliğini etkinleştirmek için:

      trackingServer:
        # -- Specifies which mode mlflow tracking server run with, available options are `serve-artifacts`, `no-serve-artifacts` and `artifacts-only`
        mode: no-serve-artifacts
        # -- Specifies a default artifact location for logging, data will be logged to `mlflow-artifacts/:` if artifact serving is enabled, otherwise `./mlruns`
        defaultArtifactRoot: "./mlruns"
        # Basic authentication configuration,
        # for more information, please visit https://mlflow.org/docs/latest/auth/index.html#configuration
        basicAuth:
          # -- Specifies whether to enable basic authentication
          enabled: true
          # -- Default permission on all resources, available options are `READ`, `EDIT`, `MANAGE` and `NO_PERMISSIONS`
          defaultPermission: NO_PERMISSIONS
          # -- Database location to store permissions and user data e.g. `<dialect>+<driver>://<username>:<password>@<host>:<port>/<database>`
          databaseUri: postgresql+psycopg2://<username>:<password>@pgm-xxxxxxxxxxxxxx.pg.rds.aliyuncs.com/mlflow_basic_auth
          # -- Default admin username if the admin is not already created
          adminUsername: admin
          # -- Default admin password if the admin is not already created
          adminPassword: password
          # -- Function to authenticate requests
          authorizationFunction: mlflow.server.auth:authenticate_request_basic_auth
      # For more information about how to configure backend store, please visit https://mlflow.org/docs/latest/tracking/backend-stores.html
      backendStore:
        # -- Backend store uri e.g. `<dialect>+<driver>://<username>:<password>@<host>:<port>/<database>`
        backendStoreUri: postgresql+psycopg2://mlflow:<password>@pgm-xxxxxxxxxxxxxx.pg.rds.aliyuncs.com/mlflow_store
      • trackingServer.basicAuth.databaseUri değerini mlflow_basic_auth veritabanınızın uç noktasıyla değiştirin.

      • trackingServer.basicAuth.adminUsername ve trackingServer.basicAuth.adminPassword değerlerini MLflow yönetici kimlik bilgilerine ayarlayın. Yönetici hesabı henüz oluşturulmamışsa yeni bir hesap oluşturulur.

    Tüm Chart parametreleri MLflow adresinde listelenmiştir.

Adım 2: Kubernetes üzerinde dağıtılan MLflow Web kullanıcı arayüzüne erişin

  1. MLflow Web kullanıcı arayüzü hizmetini yerel 5000 bağlantı noktasına yönlendirin:

    kubectl port-forward -n kube-ai services/mlflow 5000

    Beklenen çıktı:

    Forwarding from 127.0.0.1:5000 -> 5000
    Forwarding from [::1]:5000 -> 5000
    Handling connection for 5000
    Handling connection for 5000
    ...
  2. MLflow Web kullanıcı arayüzünü görüntülemek için http://127.0.0.1:5000 adresine şuraya gidin.

    "Kaydedilen çalışma yok" mesajını içeren Default deney sayfası görünür. Bu durum, MLflow'un dağıtıldığını ve çalıştığını doğrular.

Sonraki adım: Model yönetimi

Modelleri AI Suite konsolu veya Arena kullanarak MLflow kayıt defterinde yönetin. Bkz. Manage MLflow registry models using Arena.