Versionado de Datos y Modelos (DVC)

DVC versiona grandes conjuntos de datos y artefactos de modelos junto con el código de git. Las etapas de pipeline crean DAGs reproducibles que se vuelven a ejecutar solo cuando cambian las entradas.

Receta

dvc init
dvc add data/train.csv
git add data/train.csv.dvc .gitignore
dvc push  # subir al almacenamiento remoto
dvc pull  # descargar en otra máquina

Ejemplo de Trabajo

# dvc.yaml
stages:
  prepare:
    cmd: python src/prepare.py data/raw data/prepared
    deps:
      - src/prepare.py
      - data/raw
    outs:
      - data/prepared/train.csv
  train:
    cmd: python src/train.py data/prepared/train.csv models/model.joblib
    deps:
      - src/train.py
      - data/prepared/train.csv
    outs:
      - models/model.joblib
    metrics:
      - metrics.json

dvc repro train    # ejecutar pipeline, omitir etapas sin cambios
dvc metrics show   # comparar métricas entre ramas de git

Errores Comunes

• Confirmar archivos grandes en git - hinchazón del repositorio. Solución: dvc add + almacenamiento remoto.
• No configurar el remoto - los datos solo permanecen locales. Solución: dvc remote add -d storage s3://bucket/dvc.
• Pasos manuales del pipeline - no reproducibles. Solución: definir etapas en dvc.yaml.

Alternativas

Preguntas Frecuentes

Relacionado

• Seguimiento de Experimentos
• Registros y Versionado de Modelos
• Mejores Prácticas de MLOps
• Git
• Mejores Prácticas de Machine Learning

Versiones de la pila: Esta página se escribió para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+ y uv 0.6+.