DVC
DVC（Data Version Control，仓库 iterative/dvc）是开源（Apache 2.0）的 「Git for data」——一套构建在 Git 之上的数据/模型版本控制与可复现 ML 流水线工具。它本身不是独立的版本控制系统，而是 Git 的扩展：用 Git 跟踪轻量的人类可读元数据（.dvc 占位文件、dvc.yaml、dvc.lock），把真正的大文件（数据集、模型权重）存到 DVC 本地缓存（.dvc/cache）并按内容哈希链接回工作区；原始大文件被自动加入 .gitignore。其核心抽象有三条主线：数据版本控制——dvc init（在 Git 仓库内初始化）、dvc add（把数据/模型纳入跟踪，生成 .dvc 文件与缓存链接）、dvc push / dvc pull（与远程存储——S3/GCS/Azure Blob/SSH/HDFS/本地路径等同步），切换版本用 git checkout <.dvc 文件> + dvc checkout 同步对应数据；可复现流水线——在 dvc.yaml 里用 stages（deps/outs/cmds/metrics/params）声明数据如何被加工成模型，dvc.lock 锁定依赖与输出的精确状态，dvc repro 增量只重跑变化影响的阶段（类似 Makefile），dvc dag 可视化依赖图；实验评测——dvc params / dvc metrics show|diff / dvc plots 把参数、指标、图表作为一等公民，配合 dvc exp 做实验分支管理。DVC 与 Git 协同：代码进 Git，大文件进 DVC 缓存，二者通过元数据文件绑定，团队协作只需 git clone + dvc pull。它与 MLflow 互补——DVC 管「数据/模型/流水线的版本与复现」，MLflow 管「实验运行的追踪与模型注册」，常组合使用。截至 2026 年 7 月，稳定版为 3.67.1（2026-03-31，PyPI）。信源 dvc.org/doc（重定向至 doc.dvc.org）。
评价
优点
- Git 原生、学习曲线平缓：命令与 Git 同构（init/add/push/pull/checkout/diff），数据团队无需学新工作流
- 数据与代码版本统一：用 Git 跟踪
.dvc元数据，大文件进缓存，团队git clone + dvc pull即可还原完整项目 - 远程存储解耦：支持 S3/GCS/Azure Blob/SSH/HDFS/本地/HTTP 等多种后端，不锁厂商，自托管成本低
- 流水线可复现且增量：
dvc.yaml+dvc.lock+dvc repro增量只重跑受影响阶段，省算力，类似 Makefile 的依赖驱动 - 指标/参数/图表一等公民：
dvc metrics/params/plots+dvc exp把实验对比内建到 Git 工作流，无需额外平台 - 与 MLflow 互补：DVC 管数据/流水线版本，MLflow 管运行追踪，组合即可覆盖完整 MLOps
缺点
- 大文件哈希同步有成本：
dvc push/pull走内容寻址，超大仓库首次同步慢，且依赖网络与远端配额 - 缓存冲突与清理繁琐：多人协作时缓存引用、
.dvc文件冲突需手动dvc checkout修复；孤立缓存项需定期dvc gc - 流水线表达力有限：
dvc.yaml适合线性/DAG 流水线，复杂条件分支、循环、动态调度不如 Airflow/Kubeflow - 实验管理不如专用平台：
dvc exp对比能力不及 W&B/MLflow 的可视化，重度实验追踪仍需另接工具 - 依赖 Git 工作流纪律：忘记 commit
.dvc/dvc.lock或先git pull再dvc pull顺序错乱，会导致版本错位
文档地址
- DVC 官方文档（重定向至 doc.dvc.org）
- Get Started
- 数据版本控制
- 数据流水线
- 命令参考