上周排查一个线上问题，模型在测试集上mAP还有0.89，部署后误检率突然飙升。翻遍代码发现，推理时加载的权重文件是两周前的旧版本，而最新训练的模型根本没被推上去。团队里没人能说清哪个权重对应哪次实验、用了什么数据、超参是多少——这种混乱在迭代快的CV项目里太常见了。今天咱们就聊聊怎么用DVC和MLflow把YOLOv11的实验管得明明白白。一、为什么需要专门的工具管模型？手动管理模型版本的日子我经历过：文件夹里堆满了yolov11_epoch50_final.pth、yolov11_best_try2.pth这类文件，时间一长根本分不清谁是谁。更麻烦的是数据集的版本：某次实验效果突然变好，可能是数据增强改了，也可能是训练数据悄悄被更新过。没有可靠的版本追踪，实验可复现性基本靠运气。DVC（Data Version Control）和MLflow搭配能解决这个问题：DVC管数据和模型文件版本（类似Git对大文件的扩展），MLflow管实验参数、指标和代码版本。两者结合，每次实验都能完整“快照”。二、搭建基础追踪环境先准备一个典型的YOLOv11项目结构：yolov11-project/ ├── data/ │ ├── dataset.yaml │ ├── images/ │ └── labels/ ├── models/ │ └── yolov11.yaml ├── train.py └── params.yaml # 实验参数集中管理