用途 MLflow 用于管理机器学习生命周期，覆盖实验跟踪、模型注册与版本阶段管理、模型部署和实验复现，并且不绑定特定 ML 框架。资料给出的典型使用场景包括：记录实验的参数、指标和产物；用版本和阶段迁移管理模型注册表；把模型部署到本地、云端或服务环境；通过项目配置复现实验；比较模型版本与性能指标；支持团队协作工作流。
主要能力
- 实验与运行管理：用 Experiment 作为相关运行的逻辑容器，用 Run 记录一次 ML 代码执行；可设置实验名、运行名，并获取自动生成的 Run ID。
- 记录参数、指标与产物：log_param/log_params 记录单个或多个参数；log_metric/log_metrics 支持按 step 记录训练过程中的指标；log_artifact/log_artifacts 记录文件或目录；log_dict 以 JSON 形式记录字典。
- 模型记录：提供 mlflow.pytorch、mlflow.sklearn、mlflow.keras、mlflow.transformers 等模块记录对应框架的模型。
- 自动记录：mlflow.autolog() 可为受支持框架自动记录指标、参数和模型，也支持按框架单独启用，例如 sklearn、pytorch、keras、xgboost、transformers 的 autolog。
- 模型注册表：记录模型时可指定 registered_model_name 直接注册，也可之后通过 mlflow.register_model 注册；支持在 None → Staging → Production → Archived 之间迁移阶段，加载 Production、Staging 或指定版本模型，查询版本列表与各阶段最新版本，并为版本添加描述和标签。
- 运行搜索：通过 MlflowClient.search_runs 按 metrics、params、tags 条件过滤，按指标排序并限制结果数量。
- 部署与服务：mlflow models serve 可本地启动服务并用 curl 调用 /invocations；资料还给出 mlflow sagemaker deploy 和 mlflow azureml deploy 的云部署命令。
- 服务端配置：mlflow server 可配置 backend-store-uri（如 PostgreSQL）、default-artifact-root（如 S3）、host 与 port；客户端可通过 mlflow.set_tracking_uri 或环境变量 MLFLOW_TRACKING_URI 指定跟踪服务地址。
使用方式 安装：pip install mlflow，或 pip install mlflow[extras] 安装含 SQLAlchemy、boto3 等的扩展；启动界面：mlflow ui，默认访问 http://localhost:5000。代码中通常用 with mlflow.start_run(): 包裹训练过程，在内部调用 log_param、log_metric、log_artifact 和对应框架的 log_model，或先启用 autolog 让训练自动记录。团队场景可启动独立的 tracking server，并让客户端指向该地址。
适用场景 需要系统化记录与比较 ML 实验、管理模型版本与上线阶段、把模型部署为本地或云端服务、复现实验以及多人协作维护 ML 项目的团队与个人。
限制 资料未说明具体的性能上限、支持的完整框架清单、各部署目标的详细前置条件，也未提供收费、价格或平台可用性信息，这些方面暂未提供。资料标注许可为 Apache 2.0，用户规模为 20,000+ 组织，GitHub Stars 为 23k+。