Overview
Документация MLumina
MLumina — библиотека Python (src/mlumina) с набором независимых друг от друга инструментов для ML-экспериментов на самостоятельно развёрнутом Ray-кластере с трекингом в MLflow. Это не единый AutoML-пайплайн с общим API — каждый подпакет решает свою задачу и используется отдельно.
Раздел
../make_docs/содержит черновик Sphinx-документации, начатый ранее. Его вводный текст (make_docs/source/introduction/what_is_mlumina.rst) описывает MLumina как универсальный мультимодальный AutoML-фреймворк с эволюционным поиском пайплайнов — это не соответствует текущему коду и не должно использоваться как источник истины. Актуальное описание — в этой папке.
Из чего состоит фреймворк
| Пакет | Что делает | Документация |
|---|---|---|
mlumina.core |
Конфигурация (pydantic-settings, YAML+CLI) и логирование | core.md |
mlumina.xgboost |
Обучение и подбор гиперпараметров XGBoost (локально и через Ray) | xgboost.md |
mlumina.image_models |
Обёртка над ultralytics.YOLO: инференс, обучение, тюнинг |
image-models.md |
mlumina.torch_models |
Обёртка над torch.nn.Module + примитивный перебор архитектур |
torch-models.md |
mlumina.interpolation_tables |
2D-интерполяция табличных данных + сравнение sklearn-моделей | interpolation-tables.md |
mlumina.components_wear |
Симуляция износа и отказов графа взаимозависимых компонентов | components-wear.md |
mlumina.ray_wrapper |
Готовые пайплайны Ray Train/Tune (lin_reg, svm, fcnn, cnn, vit) | ray-wrapper.md |
mlumina.scheduler |
FastAPI-сервис приоритетной очереди задач поверх Ray Jobs API | scheduler.md |
Также см.:
- getting-started.md — установка, окружение, запуск локального стека.
- deployment.md — Docker/Compose-развёртывание (Ray-кластер, MLflow, MinIO, MySQL, scheduler).
- known-issues.md — известные баги и расхождения между кодом и старой документацией (README/
make_docs). Прочитать перед тем, как полагаться наcomponents_wearили на примеры из корневого README.
С чего начать
- getting-started.md — установка пакета и зависимостей.
- Самый зрелый и рабочий модуль —
mlumina.xgboost, см. xgboost.md иexamples/xgboost/example.py. - Для распределённых экспериментов на Ray — ray-wrapper.md и scheduler.md.
- Перед использованием
components_wear— обязательно known-issues.md (там баг, ломающийupdate_wear/predict_fix).