DVC (Data Version Control)

O que DVC (Data Version Control) faz?

Instalação

# Instale o DVC com suporte a armazenamento em nuvem
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 os remotos

# Inicialize o DVC em um repositório Git
cd my-ml-project
git init
dvc init

Rastrear Arquivos de Dados

# track_data.sh — Adicione arquivos grandes ao DVC em vez do Git
# Adicione um grande conjunto de dados
dvc add data/training_images/
dvc add data/dataset.csv

# O DVC cria arquivos .dvc (pequenos ponteiros) — commit estes ao Git
git add data/training_images.dvc data/dataset.csv.dvc .gitignore
git commit -m "Rastrear dados de treinamento com DVC"

Configurar Armazenamento Remoto

# setup_remote.sh — Configure onde o DVC armazena os conteúdos reais dos arquivos
# S3
dvc remote add -d myremote s3://my-bucket/dvc-storage

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

# Caminho local / rede
dvc remote add -d myremote /mnt/shared/dvc-storage

# Envie dados para o remoto
dvc push

# Baixe dados do remoto (em outra máquina ou após clonar)
dvc pull

Construir Pipelines Reproduzíveis

# dvc.yaml — Defina estágios do pipeline de ML com dependências e saídas
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 — Parâmetros do pipeline (rastreados pelo DVC)
train:
  epochs: 50
  learning_rate: 0.001
  batch_size: 32

# Execute o pipeline completo (só reexecuta estágios alterados)
dvc repro

# Execute um estágio específico
dvc repro train

Rastreamento de Experimentos

# experiments.sh — Execute e compare experimentos de ML
# Execute um experimento com parâmetros modificados
dvc exp run --set-param train.learning_rate=0.01

# Execute vários experimentos em 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

# Compare experimentos
dvc exp show
dvc exp diff

# Aplique um experimento bem-sucedido ao workspace
dvc exp apply exp-abc123

# Envie experimento para um branch Git
dvc exp push origin exp-abc123

Métricas e Gráficos

# train.py — Script de treinamento que gera métricas rastreadas pelo 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

# Carregue parâmetros
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)

# Veja métricas entre experimentos
dvc metrics show
dvc metrics diff

# Gere gráficos
dvc plots show metrics/confusion_matrix.csv
dvc plots diff  # Compare gráficos entre experimentos

Acesso a Dados Sem Clonar

# Acesse arquivos rastreados de qualquer repositório DVC sem clonagem completa
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 — Acesse arquivos rastreados pelo DVC programaticamente
import dvc.api

# Leia um arquivo de um repositório 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)

# Obtenha a URL de um arquivo rastreado
url = dvc.api.get_url("models/model.pkl", repo="https://github.com/org/ml-repo")

Conceitos Chave

• Arquivos .dvc: Pequenos arquivos de ponteiro commitados ao Git que referenciam dados grandes no armazenamento remoto
• dvc repro: Reproduza pipelines — só reexecuta estágios com dependências alteradas
• Experimentos: Rastreamento de experimentos sem branches — execute, compare e aplique resultados
• Parâmetros: Arquivos YAML de parâmetros rastreados pelo DVC para configurações reproduzíveis
• Métricas: Arquivos de métricas JSON/YAML com ferramentas de comparação integradas
• Armazenamento remoto: S3, GCS, Azure, SSH, HDFS — os dados ficam onde você quiser