MLflow

MLflow

Open-source MLOps

覆盖 ML 与 LLM 全生命周期

MLflow 以框架无关的设计打通训练、评估与部署,自动记录参数、指标、产物与依赖,让实验结果可复现、可治理。

25M+
月下载量(开源 MLflow)
800+
社区贡献者
Databricks
创建方(MLOps 事实标准)

免费试用 · 无需下载即可在线体验

打通机器学习生命周期

MLflow

MLflow 是一个开源平台,旨在简化端到端机器学习生命周期:从实验与可复现性,到部署与模型注册。它不绑定任何机器学习库、编程语言或既有代码,无论小团队还是大型组织都能平滑扩展。核心能力包括 MLflow Tracking(记录并查询实验的参数、数据、配置与结果)、MLflow Projects(把数据科学代码打包以便复现)以及 MLflow Models(在多种服务环境中部署模型)。

在生成式 AI 时代,MLflow 已从经典 ML 延伸到 LLM 与 Agent:提供与 OpenTelemetry 兼容的 Tracing、用 LLM-as-a-judge 与人类反馈的评估、Prompt 与 Agent 版本管理,以及实时质量监控告警。其框架无关特性是最大差异化优势——相比专有方案,MLflow 可与所有主流 ML / GenAI 框架协作,避免厂商锁定。

核心功能一览

六大核心能力,覆盖创作全流程

📝

实验跟踪(Tracking)

自动记录参数、指标、产物、代码版本与依赖,可随时对比与还原实验。

🗂️

模型注册(Registry)

集中管理模型版本、注释、阶段(Staging/Production)与跨工作区发现复用。

🚀

模型部署

以统一打包格式包含代码、依赖与权重,作为 REST API 或批量推理上线。

🧪

GenAI 评估与 Tracing

OpenTelemetry 兼容链路追踪,LLM-as-a-judge 与人类反馈评估 Agent 质量。

🔗

框架无关

与 scikit-learn、PyTorch、TensorFlow、XGBoost 等无缝协作,拒绝锁定。

零基础快速上手

4 步完成你的第一件 AI 作品,无需任何设计经验

1

启动 MLflow Server

用 uvx mlflow server 一条命令启动服务,约 30 秒即可访问 UI。

2

开启自动记录

import mlflow 并设置 tracking URI,对 scikit-learn 等框架调用 autolog 自动采集。

3

训练并查看实验

照常训练模型,在 MLflow UI 中浏览 runs、指标与产物,对比不同实验。

4

注册与部署

将模型注册到 Model Registry,按阶段推进并用统一格式部署为 API。

全平台客户端下载

支持网页端、桌面端、移动端及浏览器插件,随时随地开启创作

官方与文档

MLflow 官网
首页与定位
下载
MLflow 文档
API 与教程
下载
GitHub 仓库
源码与发布
下载

生态

PyPI 安装包
pip 发布页
下载
经典 ML 场景
实验到生产指南
下载
SpeedAIAD

常见问题解答

遇到问题?这里可能有你想要的答案

1

MLflow 和 Weights & Biases 怎么选?

W&B 在实验可视化与协作上体验出色,偏 SaaS;MLflow 是完全开源、框架无关的 MLOps 平台,覆盖跟踪、注册到部署全链路,更适合自建与避免锁定。

2

开源 MLflow 和 Databricks 托管版有区别吗?

核心概念与 API 一致;Databricks 托管版在开源基础上叠加企业级安全、灾难恢复、Unity Catalog 治理与模型服务,而开源版需自行补齐安全与治理层。

与主流 MLOps 平台对比

和同类工具横向对比,帮你选对工具。

对比维度MLflowWeights & BiasesClearML
开源协议Apache 2.0 开源闭源 + 商业 SaaSApache 2.0 开源
核心强项全生命周期 + GenAI实验跟踪与可视化任务编排与数据管理
框架绑定框架无关框架无关框架无关
部署能力Registry + 统一打包部署偏实验侧,部署弱含服务化组件