メインコンテンツへスキップ
W&B Artifacts を使用すると、W&B Runs の入力と出力としてデータをトラッキングし、バージョン管理できます。たとえば、モデル トレーニングの run では、入力としてデータセットを受け取り、出力としてトレーニング済みのモデルを生成することがあります。ハイパーパラメーター、メタデータ、メトリクスは run にログできます。また、artifact を使用して、モデルのトレーニングに使用したデータセットを入力としてログ、トラッキング、バージョン管理し、別の artifact を使用して、生成されたモデル チェックポイントを出力としてログできます。

​
使用例

ML ワークフロー全体で、runs の入力と出力として artifacts を使用できます。処理の入力には、データセット、モデル、さらには他の artifacts も使用できます。
モデル トレーニング、データ処理、モデル評価における入出力を示した Artifacts ワークフロー図
使用例入力出力
モデル トレーニングデータセット (トレーニング データと検証データ)トレーニング済みモデル
データセットの前処理データセット (生データ)データセット (前処理済みデータ)
モデル評価モデル + データセット (テストデータ)W&B Table
モデル最適化モデル最適化済みモデル
以下のコード スニペットは、順番に実行することを前提としています。

​
artifact を作成する

4 行のコードで artifact を作成できます。
  1. W&B run を作成します。
  2. wandb.Artifact を使って artifact オブジェクトを作成します。
  3. wandb.Artifact.add_file() を使って、モデルファイルやデータセットなど、1 つ以上のファイルを artifact オブジェクトに追加します。
  4. wandb.Run.log_artifact() を使って、artifact を W&B にログします。
たとえば、次のコード例は、dataset.h5 というファイルを example_artifact という名前の artifact にログする方法を示しています。 
import wandb

with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
    artifact = wandb.Artifact(name="example_artifact", type="dataset")
    artifact.add_file(local_path="./dataset.h5", name="training_dataset")
    run.log_artifact(artifact)
  • artifact の type は、W&B プラットフォームでの表示に影響します。type を指定しない場合は、デフォルトで unspecified になります。
  • ドロップダウンの各ラベルは、それぞれ異なる type パラメーター値を表します。上記のコードスニペットでは、artifact の type は dataset です。
外部のオブジェクトストレージ (Amazon S3 バケットなど) に保存されているファイルやディレクトリーへの参照を追加する方法については、外部ファイルをトラッキングする ページを参照してください。

​
artifactをダウンロードする

run への入力としてマークする artifact は、wandb.Run.use_artifact() method で指定します。 前のコードスニペットに続き、以下のコード例では、先ほど作成した example_artifact という artifact の使い方を示します: 
with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
    artifact = run.use_artifact("training_dataset:latest")  # "my_data" artifactを使用してrunオブジェクトを返す
これにより、artifactオブジェクトが返されます。 次に、返されたオブジェクトを使用して、artifactのすべての内容をダウンロードします。 
datadir = artifact.download()  # `my_data` artifact全体をデフォルトディレクトリにダウンロードします。
特定のディレクトリーに artifact をダウンロードするには、root パラメーター にカスタムパスを指定できます。Artifacts をダウンロードする別の方法や追加のパラメーターについては、Artifacts のダウンロードと使用 ガイドを参照してください。

​
次のステップ

  • Artifacts の version の作成と update の方法を学びます。
  • automations を使用して、Artifacts の変更をきっかけにダウンストリームのワークフローをトリガーしたり、Slack チャンネルに通知したりする方法を学びます。
  • トレーニング済みモデルを保存するためのスペースである registry について学びます。
  • Python SDK と CLI のリファレンスガイドを確認します。