Перевод tracking на SQLite + HTTP-клиенты (file-store запрещён в MLflow 3.x)

- start_ui.sh: SQLite backend (sqlite:///mlflow.db) вместо file-store
- все скрипты src/: mlflow.set_tracking_uri(http://localhost:5555) с env-override
- README: сервер должен быть запущен до запуска скриптов
- AGENTS.md: обновлена архитектура хранения и gotcha

AGENTS.md

@@ -28,7 +28,7 @@ mlflow-practice/
 ├── python_env.yaml         # окружение для MLproject (python 3.10)
 ├── requirements.txt        # pip-зависимости
 ├── setup_server.sh         # установка окружения (РАЗВИЛКА macOS/Linux)
-├── start_ui.sh             # запуск MLflow Tracking Server (UI на :5555, file-store)
+├── start_ui.sh             # запуск MLflow Tracking Server (UI на :5555, SQLite backend)
 ├── .gitignore
 ├── scripts/
 │   └── setup_git.sh        # настройка Git (HTTPS + токен)
@@ -44,7 +44,7 @@ mlflow-practice/
 │   └── grid_search_cv.py     # Урок 9: GridSearchCV + autolog
 ├── data/                   # датасеты (MNIST скачается автоматически)
 ├── artifacts/              # графики, отчёты (логируются в MLflow)
-└── mlruns/                 # локальный file store MLflow (в .gitignore)
+└── mlruns/                 # старые запуски file-store (в .gitignore, не используется)
 ```
 
 ---
@@ -143,10 +143,10 @@ mlflow run . -P epochs=10 -P batch_size=256 -P lr=0.001 --entry-point gpu
 - `autolog_demo.py` намеренно отключает сигнатуры (`log_model_signatures=False`) как демо опций autolog — там warning ожидаем.
 - **INFO про переменные окружения** (`OPENAI_API_KEY` и т.п.) при логировании подавлено через `MLFLOW_RECORD_ENV_VARS_IN_MODEL_LOGGING=false` в скриптах, логирующих модели.
 - **`python -m venv` падает на Linux (ensurepip)**: на Debian/Ubuntu без пакета `python3.13-venv` (или `python3-venv`) создание venv падает на шаге `ensurepip` (`non-zero exit status 1`). `setup_server.sh` ловит это и пробует fallback: `venv --without-pip` + bootstrap pip через `get-pip.py`. Альтернатива руками — `sudo apt-get install -y python3.13-venv python3.13-dev`.
-- **File-store как СЕРВЕРНЫЙ бэкенд в maintenance mode (MLflow 3.x)**: `mlflow server --backend-store-uri file://...` по умолчанию падает с `MlflowException ... filesystem tracking backend is in maintenance mode`. Официальный opt-out — `export MLFLOW_ALLOW_FILE_STORE=true` (уже выставлено в `start_ui.sh` перед file-блоком). Это касается ТОЛЬКО сервера; клиентский file store (как пишут скрипты в `./mlruns`) работает без opt-out. Альтернатива без opt-out — SQLite-бэкенд (закомментированный блок в `start_ui.sh`), но тогда скрипты должны логировать на сервер через `mlflow.set_tracking_uri('http://localhost:5555')`.
+- **File-store как tracking backend запрещён в MLflow 3.x** (maintenance mode): падает и `mlflow server --backend-store-uri file://...`, и клиент-скрипт с дефолтным `./mlruns` — оба с `MlflowException ... in maintenance mode`. Поэтому проект использует **SQLite** (`sqlite:///mlflow.db`) как tracking backend, а скрипты логируют на сервер по HTTP. Опциональный opt-out `MLFLOW_ALLOW_FILE_STORE=true` НЕ используем (он может быть убран в будущем). Артефакты при этом лежат на локальном диске (`./artifacts`, file artifact repository — он НЕ в maintenance mode).
 - **`input_example` для `mlflow.pytorch.log_model` — только numpy**, не `torch.Tensor`: MLflow 3.x валидирует пример входа и падает с `MlflowException ... but got '<class 'torch.Tensor'>'`. В `train_gpu.py` передаётся `np.random.rand(1,1,28,28).astype(np.float32)`. Аналогично для других flavor'ов — пример должен быть DataFrame/ndarray/dict/list/скаляр.
 - **urllib3 `NotOpenSSLWarning`** на macOS (системный `ssl` собран с LibreSSL 2.8.3, urllib3 v2 просит OpenSSL 1.1.1+) — стороннее шумовое предупреждение, к проекту отношения не имеет; не подавляем (чтобы не прятать реальные предупреждения).
-- **«Эксперимент не виден в UI» (главная причина)**: скрипты по умолчанию пишут в локальный file store `./mlruns`, а `start_ui.sh` раньше поднимал сервер на **SQLite** (`mlflow.db`) — два разных хранилища, UI ничего не показывал. Теперь `start_ui.sh` использует `--backend-store-uri file://${PWD}/mlruns` — **то же хранилище, что и скрипты**, поэтому всё видно без настройки tracking URI. Альтернатива (SQLite-бэкенд) оставлена закомментированной в `start_ui.sh`; при её включении в скриптах нужно задать `mlflow.set_tracking_uri('http://localhost:5555')` (или `MLFLOW_TRACKING_URI`).
+- **Архитектура хранения (SQLite + HTTP-клиенты)**: `start_ui.sh` поднимает сервер с `--backend-store-uri sqlite:///${PWD}/mlflow.db`. Все скрипты в `src/` содержат `mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))` — пишут на сервер. UI и скрипты работают с **одной** sqlite-базой → эксперименты сразу видны. **Сервер должен быть запущен до запуска скриптов** (иначе `ConnectionError` к localhost:5555). Переопределить адрес: `export MLFLOW_TRACKING_URI=http://<host>:5555` (например, при логировании на удалённый сервер).
 - `mlruns/`, `artifacts/*`, `data/MNIST/`, `mlflow.db` — в `.gitignore`,
   в репозиторий не попадают.
 

README.md

@@ -48,13 +48,19 @@ pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
 pip install flask  # для serve_model.py
 ```
 
-### 2. Запуск MLflow UI
+### 2. Запуск MLflow UI (Tracking Server)
 
 ```bash
 ./start_ui.sh
 # → http://10.0.0.7:5555
 ```
 
+> Сервер использует SQLite-бэкенд (`mlflow.db`). Скрипты логируют на него
+> по HTTP (`http://localhost:5555`), поэтому **сервер должен быть запущен
+> и работать в отдельном терминале всё время, пока вы запускаете уроки**.
+> Иначе скрипты упадут с `ConnectionError` к `localhost:5555`.
+> Адрес можно переопределить: `export MLFLOW_TRACKING_URI=http://<host>:5555`.
+
 ### 3. Уроки по порядку
 
 ```bash

src/autolog_demo.py

@@ -21,6 +21,7 @@ import mlflow.sklearn
 # Подавляем INFO MLflow о переменных окружения (напр. OPENAI_API_KEY) при логировании модели
 import os
 os.environ.setdefault("MLFLOW_RECORD_ENV_VARS_IN_MODEL_LOGGING", "false")
+mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))
 
 
 def main():

src/compare_runs.py

@@ -11,6 +11,9 @@ import argparse
 import mlflow
 from mlflow.tracking import MlflowClient
 
+import os
+mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))
+
 
 def main():
     parser = argparse.ArgumentParser()

src/grid_search_cv.py

@@ -18,6 +18,7 @@ import mlflow.sklearn
 # Подавляем INFO MLflow о переменных окружения (напр. OPENAI_API_KEY) при логировании модели
 import os
 os.environ.setdefault("MLFLOW_RECORD_ENV_VARS_IN_MODEL_LOGGING", "false")
+mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))
 
 
 def main():

src/hyperparam_sweep.py

@@ -21,6 +21,9 @@ from sklearn.model_selection import train_test_split
 
 import mlflow
 
+import os
+mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))
+
 
 def main():
     parser = argparse.ArgumentParser(description="MLflow hyperparameter sweep")

src/load_and_predict.py

@@ -12,6 +12,9 @@ from sklearn.datasets import load_digits
 
 import mlflow
 
+import os
+mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))
+
 
 def main():
     # Загружаем модель из реестра по имени и стадии

src/register_model.py

@@ -15,6 +15,9 @@ import argparse
 import mlflow
 from mlflow.tracking import MlflowClient
 
+import os
+mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))
+
 
 def main():
     parser = argparse.ArgumentParser(description="Register best model in MLflow")

src/serve_model.py

@@ -24,6 +24,9 @@ import numpy as np
 from sklearn.datasets import load_digits
 
 import mlflow
+
+import os
+mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))
 from flask import Flask, request, jsonify
 
 

src/train_gpu.py

@@ -35,6 +35,7 @@ import mlflow.pytorch
 # Подавляем INFO MLflow о переменных окружения (напр. OPENAI_API_KEY) при логировании модели
 import os
 os.environ.setdefault("MLFLOW_RECORD_ENV_VARS_IN_MODEL_LOGGING", "false")
+mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))
 
 
 # ─── Модель: простая CNN ───

src/train_simple.py

@@ -24,6 +24,7 @@ import mlflow.sklearn
 # Подавляем INFO MLflow о переменных окружения (напр. OPENAI_API_KEY) при логировании модели
 import os
 os.environ.setdefault("MLFLOW_RECORD_ENV_VARS_IN_MODEL_LOGGING", "false")
+mlflow.set_tracking_uri(os.environ.get("MLFLOW_TRACKING_URI", "http://localhost:5555"))
 from mlflow.models.signature import infer_signature
 
 

start_ui.sh

@@ -3,45 +3,38 @@
 #  Запуск MLflow Tracking Server
 #  Откройте в браузере: http://localhost:5555
 #
-#  Backend store = file://$(pwd)/mlruns  (тот же каталог, куда скрипты
-#  пишут по умолчанию). Поэтому UI видит все эксперименты/запуски
-#  без доп. настройки tracking URI в скриптах.
+#  Backend store = SQLite (mlflow.db) — recommended MLflow backend.
+#  Скрипты в src/ логируют на этот сервер (http://localhost:5555) через
+#  mlflow.set_tracking_uri(...) — поэтому UI и скрипты работают с одной
+#  базой, и эксперименты сразу видны в UI.
 #
-#  ВАЖНО: file-store как СЕРВЕРНЫЙ бэкенд в новых MLflow (3.x) переведён в
-#  maintenance mode и по умолчанию запрещён. Официальный opt-out —
-#  MLFLOW_ALLOW_FILE_STORE=true (его и выставляем ниже). Это касается только
-#  `mlflow server`; клиентский file store (как пишут скрипты) работает и без него.
+#  ⚠️ file-store как tracking backend в новых MLflow (3.x) переведён в
+#  maintenance mode и запрещён (ошибка и на сервере, и у клиента-скрипта).
+#  Поэтому используем sqlite. Артефакты при этом лежат на локальном диске
+#  в ./artifacts (file-based artifact repository — он НЕ в maintenance mode).
 #
-#  Альтернатива — SQLite-бэкенд (recommended MLflow, без opt-out). Тогда
-#  раскомментируйте блок SQLITE ниже и закомментируйте FILE, а в скриптах
-#  задайте mlflow.set_tracking_uri("http://localhost:5555")
-#  (или export MLFLOW_TRACKING_URI=http://localhost:5555).
+#  Запустите сервер ДО запуска скриптов обучения:
+#    ./start_ui.sh          # в одном терминале
+#    python src/train_simple.py ...   # в другом (нужен работающий сервер)
 # ============================================================
 set -e
 cd "$(dirname "$0")"
 
-PORT=5555
+PORT="${MLFLOW_PORT:-5555}"
 
 echo "🚀 Запускаем MLflow Tracking Server..."
-echo "   UI:    http://localhost:${PORT}"
-echo "   Store: file://${PWD}/mlruns"
+echo "   UI:        http://localhost:${PORT}"
+echo "   Backend:   sqlite:///${PWD}/mlflow.db"
 echo "   Artifacts: file://${PWD}/artifacts"
 echo ""
+echo "   Скрипты логируют сюда через MLFLOW_TRACKING_URI=http://localhost:${PORT}"
+echo "   (можно переопределить: export MLFLOW_TRACKING_URI=http://<host>:${PORT})"
+echo ""
 echo "   Нажмите Ctrl+C для остановки"
 echo ""
 
-# ─── FILE backend (по умолчанию — единое хранилище со скриптами) ───
-# MLFLOW_ALLOW_FILE_STORE=true — opt-out из maintenance mode file-store бэкенда.
-export MLFLOW_ALLOW_FILE_STORE=true
 mlflow server \
-    --backend-store-uri "file://${PWD}/mlruns" \
+    --backend-store-uri "sqlite:///${PWD}/mlflow.db" \
     --default-artifact-root "file://${PWD}/artifacts" \
     --host 0.0.0.0 \
     --port "${PORT}"
-
-# ─── SQLITE backend (альтернатива — см. комментарий в шапке) ──────
-# mlflow server \
-#     --backend-store-uri sqlite:///mlflow.db \
-#     --default-artifact-root ./artifacts \
-#     --host 0.0.0.0 \
-#     --port "${PORT}"