DVC（Data Version Control）は、機械学習プロジェクトにおいてデータセットや学習済みモデルのバージョンを管理するためのオープンソースツールです。Gitと連携して動作し、大容量データを外部ストレージに保存しながら、Git上ではメタデータ（軽量なポインタファイル）のみを管理することで、コードとデータの一貫したバージョン管理を実現します。
DVCとは
DVC（Data Version Control）は、機械学習の実験で使用する大規模なデータセットや学習済みモデルを、Gitのような感覚でバージョン管理できるようにするオープンソースのコマンドラインツールです。
詳しく解説
機械学習の開発では、プログラムコードだけでなく、使用するデータセットや生成される学習済みモデル（アーティファクト）も頻繁に変化します。しかし、これらはファイルサイズが非常に大きいため、コード管理ツールであるGitで直接管理すると動作が重くなる問題がありました。DVCはこの問題を解決するため、実データはAmazon S3やGoogle Cloud Storageなどの外部ストレージに保存し、Git上ではデータのハッシュ値を記録した軽量な「.dvc」ファイル（メタデータ）のみを追跡します。これにより、特定のコードバージョンに対応する正確なデータセットのバージョンを容易に復元・共有することが可能になり、実験の再現性を担保します。また、データ処理やモデル学習のパイプライン（一連の工程）を定義し、キャッシュを利用して効率的に再実行する機能も備えており、現代のMLOps（機械学習オペレーション）の現場において必須のツールとなっています。
具体例・使われ方
例えば、画像認識モデルの開発において、10GBの訓練用画像データセットを「dataset_v1」としてDVCで登録します。その後、データを追加して「dataset_v2」に更新した場合、DVCは変更分の差分や新しいメタデータを生成します。開発者は「git checkout」と「dvc pull」を実行するだけで、過去の特定の実験で使用したコードと10GBの画像データを瞬時に手元の開発環境に再現できます。
似た用語との違い
Git LFS（Git Large File Storage）も大容量ファイルを管理するツールですが、主に静的なバイナリファイルの管理を目的としており、機械学習に特化したパイプラインの構築や、データの依存関係の追跡機能は持っていません。一方、DVCは機械学習のワークフローやデータパイプラインの可視化・管理に特化しています。また、MLflowなどの実験管理ツールがメトリクスやパラメータの記録に焦点を当てているのに対し、DVCはデータそのもののバージョン管理とパイプラインの再現性に重点を置いている点で異なります。これらは併用されることも多いです。
注意点
DVC自体はデータを保存するストレージを持たないため、Amazon S3やGoogle Cloud Storage、Azure Blob Storageなどの外部ストレージを別途用意し、連携設定を行う必要があります。また、GitとDVCという2つのツールを同時に操作してバージョンを同期させる必要があるため、チーム全体で操作ルールを統一しておかないと、コードと実データの整合性が取れなくなるリスクがあります。