DVC (Data Version Control)

Control de versiones para datasets y modelos, construido sobre Git.

CategoríaMLOps
DificultadIntermedio
Tiempo de aprendizaje2-3 semanas
Official documentation

¿Qué puedes lograr con esta herramienta?

Los resultados prácticos que desbloquea.

  • Versionar datasets y modelos grandes usando el mismo flujo de trabajo que Git
  • Reproducir exactamente un experimento pasado con sus datos y código
  • Definir pipelines de ML declarativos y reproducibles

Descripción

DVC extiende Git para versionar archivos grandes (datasets, modelos) que no caben cómodamente en un repositorio normal, almacenándolos en un backend externo (S3, GCS) mientras Git rastrea solo referencias ligeras.

Casos de uso

  • Versionado de datasets y modelos grandes
  • Pipelines de ML reproducibles y declarativos
  • Trazabilidad entre código, datos y resultados
  • Colaboración en equipos de ML con Git

Instalación

Instalarbash
pip install dvc

Ejemplo básico

Ejemplo básicobash
dvc init
dvc add data/trips.csv
git add data/trips.csv.dvc .gitignore
git commit -m "Versionar dataset de viajes"

Ventajas y limitaciones

Ventajas

  • Flujo de trabajo familiar para cualquiera que ya use Git
  • Soporta múltiples backends de almacenamiento (S3, GCS, Azure)
  • Pipelines reproducibles con dvc.yaml

Limitaciones

  • Curva de aprendizaje adicional sobre Git
  • Menos pulido para colaboración visual que herramientas como W&B

Alternativas

Herramientas que resuelven un problema parecido de otra forma.