DVC (Data Version Control)

¿Qué hace DVC (Data Version Control)?

Instalación

# Instalar DVC con soporte para almacenamiento en la nube
pip install dvc[s3]    # Para AWS S3
pip install dvc[gs]    # Para Google Cloud Storage
pip install dvc[azure] # Para Azure Blob Storage
pip install dvc[all]   # Todos los remotos

# Inicializar DVC en un repositorio Git
cd my-ml-project
git init
dvc init

Rastrear Archivos de Datos

# track_data.sh — Agregar archivos grandes al seguimiento de DVC en lugar de Git
# Agregar un conjunto de datos grande
dvc add data/training_images/
dvc add data/dataset.csv

# DVC crea archivos .dvc (punteros pequeños) — súbelos a Git
git add data/training_images.dvc data/dataset.csv.dvc .gitignore
git commit -m "Rastrear datos de entrenamiento con DVC"

Configurar Almacenamiento Remoto

# setup_remote.sh — Configurar dónde almacena DVC los contenidos reales de los archivos
# S3
dvc remote add -d myremote s3://my-bucket/dvc-storage

# Google Cloud Storage
dvc remote add -d myremote gs://my-bucket/dvc-storage

# Ruta local / de red
dvc remote add -d myremote /mnt/shared/dvc-storage

# Subir datos al remoto
dvc push

# Descargar datos desde el remoto (en otra máquina o después de clonar)
dvc pull

Construir Pipelines Reproducibles

# dvc.yaml — Definir etapas del pipeline de ML con dependencias y salidas
stages:
  prepare:
    cmd: python src/prepare.py
    deps:
      - src/prepare.py
      - data/raw/
    outs:
      - data/processed/

  train:
    cmd: python src/train.py
    deps:
      - src/train.py
      - data/processed/
    params:
      - train.epochs
      - train.learning_rate
      - train.batch_size
    outs:
      - models/model.pkl
    metrics:
      - metrics/train.json:
          cache: false

  evaluate:
    cmd: python src/evaluate.py
    deps:
      - src/evaluate.py
      - models/model.pkl
      - data/processed/
    metrics:
      - metrics/eval.json:
          cache: false
    plots:
      - metrics/confusion_matrix.csv:
          x: predicted
          y: actual

# params.yaml — Parámetros del pipeline (rastreados por DVC)
train:
  epochs: 50
  learning_rate: 0.001
  batch_size: 32

# Ejecutar todo el pipeline (solo re-ejecuta etapas cambiadas)
dvc repro

# Ejecutar una etapa específica
dvc repro train

Seguimiento de Experimentos

# experiments.sh — Ejecutar y comparar experimentos de ML
# Ejecutar un experimento con parámetros modificados
dvc exp run --set-param train.learning_rate=0.01

# Ejecutar múltiples experimentos en paralelo
dvc exp run --set-param train.learning_rate=0.001 --queue
dvc exp run --set-param train.learning_rate=0.01 --queue
dvc exp run --set-param train.learning_rate=0.1 --queue
dvc queue start --jobs 3

# Comparar experimentos
dvc exp show
dvc exp diff

# Aplicar un experimento exitoso al espacio de trabajo
dvc exp apply exp-abc123

# Subir experimento a una rama Git
dvc exp push origin exp-abc123

Métricas y Gráficos

# train.py — Script de entrenamiento que genera métricas rastreadas por DVC
import json
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, f1_score
import yaml
import pickle

# Cargar parámetros
with open("params.yaml") as f:
    params = yaml.safe_load(f)["train"]

X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

model = RandomForestClassifier(n_estimators=params["epochs"])
model.fit(X_train, y_train)

preds = model.predict(X_test)
metrics = {
    "accuracy": accuracy_score(y_test, preds),
    "f1_score": f1_score(y_test, preds, average="weighted"),
}

with open("metrics/train.json", "w") as f:
    json.dump(metrics, f, indent=2)

with open("models/model.pkl", "wb") as f:
    pickle.dump(model, f)

# Ver métricas entre experimentos
dvc metrics show
dvc metrics diff

# Generar gráficos
dvc plots show metrics/confusion_matrix.csv
dvc plots diff  # Comparar gráficos entre experimentos

Acceso a Datos Sin Clonar

# Acceder a archivos rastreados desde cualquier repositorio DVC sin clonarlo completo
dvc get https://github.com/org/ml-repo data/processed/dataset.csv
dvc import https://github.com/org/ml-repo models/model.pkl

# dvc_api.py — Acceder a archivos rastreados por DVC mediante programación
import dvc.api

# Leer un archivo de un repositorio DVC
with dvc.api.open("data/dataset.csv", repo="https://github.com/org/ml-repo") as f:
    import pandas as pd
    df = pd.read_csv(f)

# Obtener la URL de un archivo rastreado
url = dvc.api.get_url("models/model.pkl", repo="https://github.com/org/ml-repo")

Conceptos Clave

• Archivos .dvc: Pequeños archivos puntero que se suben a Git y hacen referencia a datos grandes en almacenamiento remoto
• dvc repro: Reproducir pipelines — solo re-ejecuta etapas con dependencias cambiadas
• Experimentos: Seguimiento de experimentos sin ramas — ejecuta, compara y aplica resultados
• Parámetros: Archivos YAML de parámetros rastreados por DVC para configuraciones reproducibles
• Métricas: Archivos JSON/YAML de métricas con herramientas de comparación integradas
• Almacenamiento remoto: S3, GCS, Azure, SSH, HDFS — los datos se quedan donde quieras