DVC (Data Version Control)
Control de versiones para datasets y modelos, construido sobre Git.
CategoríaMLOps
DificultadIntermedio
Tiempo de aprendizaje2-3 semanas
¿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
pip install dvcEjemplo básico
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.