Ultralytics YOLOv8의 ML 실험 추적 통합 살펴보기

데이터를 수집하고 어노테이션을 수행한 다음 학습을 통해 Ultralytics YOLOv8 모델과 같은 모델을 만드는 것은 모든 컴퓨터 비전 프로젝트의 핵심입니다. 최상의 성능을 내는 모델을 찾으려면 서로 다른 파라미터를 사용해 커스텀 모델을 여러 번 학습해야 하는 경우가 많습니다. 학습 실험을 추적하는 도구를 사용하면 컴퓨터 비전 프로젝트를 더 쉽게 관리할 수 있습니다. 실험 추적은 사용한 파라미터, 얻은 결과, 진행 중 변경 사항 등 각 학습 실행의 세부 정보를 기록하는 과정입니다.

그림 1. 컴퓨터 비전 프로젝트에서 실험 추적이 적용되는 방식을 보여 주는 이미지.

이러한 세부 정보를 기록하면 결과를 재현하고, 무엇이 효과가 있고 없는지 파악하며, 모델을 더욱 효과적으로 미세 조정하는 데 도움이 됩니다. 조직에서는 팀 간 일관성을 유지하고 협업을 촉진하며 명확한 감사 추적을 제공할 수 있습니다. 개인에게는 작업을 명확하고 체계적으로 문서화하여 접근 방식을 개선하고 시간이 지남에 따라 더 나은 결과를 얻는 데 도움이 됩니다.

이 문서에서는 YOLOv8 실험을 관리하고 모니터링하는 데 사용할 수 있는 다양한 학습 통합 기능을 안내합니다. 혼자 작업하든 대규모 팀의 일원으로 작업하든, 적절한 추적 도구를 이해하고 사용하면 YOLOv8 프로젝트의 성공에 실질적인 차이를 만들 수 있습니다.

MLflow를 사용한 머신러닝 실험 추적#

MLflow는 Databricks에서 개발한 오픈 소스 플랫폼으로, 전체 머신러닝 수명 주기를 더 쉽게 관리할 수 있도록 지원합니다. MLflow의 핵심 구성 요소인 MLflow Tracking은 데이터 과학자와 엔지니어가 머신러닝 실험을 기록하고 시각화하는 데 도움이 되는 API와 사용자 인터페이스를 제공합니다. Python, REST, Java, R API를 포함한 다양한 언어와 인터페이스를 지원합니다.

MLflow Tracking은 YOLOv8과 원활하게 통합되므로 모델에서 정밀도, 재현율, 손실과 같은 주요 지표를 직접 기록할 수 있습니다. YOLOv8에서 MLflow 설정은 간단하며 유연한 선택지를 제공합니다. 기본 로컬호스트 설정을 사용하거나 다양한 데이터 저장소에 연결하거나 원격 MLflow Tracking 서버를 시작해 모든 항목을 체계적으로 관리할 수 있습니다.

그림 2. MLflow 추적 환경의 일반적인 구성. 이미지 출처: MLflow Tracking.

MLflow가 프로젝트에 적합한 도구인지 판단할 때 고려할 사항은 다음과 같습니다.

• 확장성: 단일 머신에서 작업하든 대규모 클러스터에 배포하든 MLflow는 요구에 맞게 확장됩니다. 개발 단계에서 프로덕션으로 확장해야 하는 프로젝트라면 MLflow가 이러한 성장을 지원할 수 있습니다.
• 프로젝트 복잡성: MLflow는 상세한 추적, 모델 관리, 배포 기능이 필요한 복잡한 프로젝트에 적합합니다. 프로젝트에 이러한 전체 규모의 기능이 필요하다면 MLflow를 통해 워크플로를 간소화할 수 있습니다.
• 설정 및 유지 관리: MLflow는 강력한 도구이지만, 학습 곡선과 설정에 드는 추가 작업이 있습니다.

컴퓨터 비전 모델 추적에 Weights & Biases (W&B) 사용하기#

Weights & Biases는 머신러닝 실험을 추적하고 시각화하며 관리하는 MLOps 플랫폼입니다. YOLOv8에서 W&B 사용하기를 통해 모델 학습 및 미세 조정 중 성능을 모니터링할 수 있습니다. W&B의 대화형 대시보드는 이러한 지표를 실시간으로 명확하게 보여 주므로 추세를 파악하고 모델 변형을 비교하며 학습 과정의 문제를 해결하기가 더 쉽습니다.

W&B는 학습 지표와 모델 체크포인트를 자동으로 기록하며, 학습률과 배치 크기 같은 하이퍼파라미터를 미세 조정하는 데도 사용할 수 있습니다. 이 플랫폼은 로컬 머신에서 실행을 추적하는 것부터 클라우드 스토리지로 대규모 프로젝트를 관리하는 것까지 폭넓은 설정 옵션을 지원합니다.

그림 3. Weights & Biases의 실험 추적 대시보드 예시. 이미지 출처: Weights & Biases track experiments.

Weights & Biases가 프로젝트에 적합한 도구인지 판단할 때 고려할 사항은 다음과 같습니다.

• 향상된 시각화 및 추적: W&B는 학습 지표와 모델 성능을 실시간으로 시각화하는 직관적인 대시보드를 제공합니다.

ClearML을 사용한 MLOps 실험 추적#

ClearML은 머신러닝 워크플로를 자동화하고 모니터링하며 오케스트레이션하도록 설계된 오픈 소스 MLOps 플랫폼입니다. PyTorch, TensorFlow, Keras와 같은 인기 머신러닝 프레임워크를 지원하며 기존 프로세스와 쉽게 통합할 수 있습니다. 또한 로컬 머신이나 클라우드에서 분산 컴퓨팅을 지원하고 CPU 및 GPU 사용량을 모니터링할 수 있습니다.

YOLOv8과 ClearML 통합은 실험 추적, 모델 관리, 리소스 모니터링 도구를 제공합니다. 직관적인 웹 UI를 통해 데이터를 시각화하고 실험을 비교하며 손실, 정확도, 검증 점수와 같은 핵심 지표를 실시간으로 추적할 수 있습니다. 또한 원격 실행, 하이퍼파라미터 튜닝, 모델 체크포인트 저장 등의 고급 기능도 지원합니다.

그림 4. ClearML의 실험 추적 시각화 예시. 이미지 출처: ClearML Tracking Experiments and Visualizing Results.

ClearML이 프로젝트에 적합한 도구인지 판단할 때 고려할 사항은 다음과 같습니다.

• 고급 실험 추적 필요성: ClearML은 Git과의 자동 통합을 포함한 강력한 실험 추적 기능을 제공합니다.
• 유연한 배포: ClearML은 온프레미스, 클라우드 또는 Kubernetes 클러스터에서 사용할 수 있어 다양한 구성에 맞게 적용할 수 있습니다.

Comet ML을 사용한 학습 실험 추적#

Comet ML은 머신러닝 실험을 관리하고 추적하는 데 도움이 되는 사용자 친화적인 플랫폼입니다. YOLOv8과 Comet ML의 통합을 사용하면 실험을 기록하고 시간에 따른 결과를 확인할 수 있습니다. 이 통합으로 추세를 파악하고 서로 다른 실행을 비교하기가 더 쉬워집니다.

Comet ML은 클라우드, 가상 사설 클라우드(VPC), 온프레미스 환경에서 사용할 수 있어 다양한 구성과 요구사항에 맞게 적용할 수 있습니다. 이 도구는 팀 협업을 위해 설계되었습니다. 프로젝트를 공유하고 팀원을 태그하며 댓글을 남겨 모두가 같은 정보를 공유하고 실험을 정확하게 재현할 수 있습니다.

Comet ML이 프로젝트에 적합한 도구인지 판단할 때 고려할 사항은 다음과 같습니다.

• 다양한 프레임워크와 언어 지원: Comet ML은 Python, JavaScript, Java, R 등을 지원하므로 프로젝트에서 사용하는 도구나 언어에 관계없이 다양하게 활용할 수 있습니다.
• 대시보드 및 보고서 사용자 지정: Comet ML 인터페이스는 높은 수준으로 사용자 지정할 수 있으므로 프로젝트에 가장 적합한 보고서와 대시보드를 만들 수 있습니다.
• 비용: Comet ML은 상용 플랫폼이며 일부 고급 기능을 사용하려면 유료 구독이 필요합니다.

시각화에 도움이 되는 TensorBoard#

TensorBoard는 TensorFlow 실험을 위해 특별히 설계된 강력한 시각화 툴킷이지만, 다양한 머신러닝 프로젝트의 지표를 추적하고 시각화하는 데도 유용합니다. 간편하고 빠른 것으로 잘 알려진 TensorBoard를 사용하면 주요 지표를 쉽게 추적하고 모델 그래프, 임베딩 및 기타 데이터 유형을 시각화할 수 있습니다.

YOLOv8에서 TensorBoard 사용하기의 주요 장점 중 하나는 설정이 거의 필요하지 않다는 것입니다. tensorboard 패키지를 설치하고 yolo settings tensorboard=True를 사용해 로깅을 한 번 활성화하면 됩니다. 또 다른 장점은 TensorBoard를 완전히 온프레미스 환경에서 실행할 수 있다는 것입니다. 데이터 개인정보 보호 요구 사항이 엄격하거나 클라우드에 업로드할 수 없는 환경의 프로젝트에 특히 중요합니다.

그림 5. TensorBoard를 사용한 YOLOv8 모델 학습 모니터링.

TensorBoard가 프로젝트에 적합한 도구인지 판단할 때 고려할 사항은 다음과 같습니다.

• 간단한 실험 추적: TensorBoard는 실험 비교가 제한적인 기본 추적 요구에 적합하지만, 강력한 팀 협업 기능, 버전 관리, 개인정보 보호 관리 기능은 부족합니다.

DVCLive(Data Version Control Live)를 사용한 ML 실험 추적#

YOLOv8과 DVCLive 통합은 대용량 파일을 Git에 저장하지 않고 데이터셋, 모델, 코드를 함께 버전 관리하여 실험을 간편하게 추적하고 관리할 수 있도록 합니다. Git과 유사한 명령을 사용하고 추적된 지표를 일반 텍스트 파일에 저장하므로 버전 관리가 쉽습니다. DVCLive는 핵심 지표를 기록하고 결과를 시각화하며 저장소를 복잡하게 만들지 않고 실험을 깔끔하게 관리합니다. 다양한 스토리지 공급자를 지원하며 로컬 또는 클라우드에서 사용할 수 있습니다. DVCLive는 추가 인프라나 클라우드 종속성 없이 실험 추적을 간소화하려는 팀에 적합합니다.

Ultralytics HUB를 사용한 Ultralytics 모델 및 워크플로 관리#

Ultralytics HUB(현재 Ultralytics Platform)는 YOLOv5와 YOLOv8 같은 Ultralytics YOLO 모델의 학습, 배포, 관리를 간소화하도록 설계된 사내 올인원 플랫폼입니다. 외부 통합 기능과 달리 Ultralytics HUB는 YOLO 사용자를 위해 특별히 제작된 기본 환경을 제공합니다. 사용하기 쉬운 HUB 인터페이스에서 데이터셋을 간편하게 업로드하고 사전 학습된 모델을 선택한 다음 클라우드 리소스를 사용해 몇 번의 클릭만으로 학습을 시작할 수 있어 전체 과정이 간소화됩니다. 또한 Ultralytics HUB는 실험 추적도 지원하므로 학습 진행 상황을 쉽게 모니터링하고 결과를 비교하며 모델을 미세 조정할 수 있습니다.

그림 6. Ultralytics HUB를 사용한 YOLOv8 모델 학습 모니터링.

핵심 요점#

머신러닝 실험을 추적하는 데 적합한 도구를 선택하면 큰 차이를 만들 수 있습니다. 여기서 다룬 모든 도구는 YOLOv8 학습 실험 추적에 도움이 되지만, 프로젝트에 가장 적합한 도구를 찾으려면 각 도구의 장단점을 따져봐야 합니다. 적절한 도구를 사용하면 체계적으로 관리하고 YOLOv8 모델의 성능을 개선할 수 있습니다!

통합 기능을 사용하면 프로젝트에서 YOLOv8을 더 쉽게 활용하고 진행 속도를 높일 수 있습니다. 더 많은 YOLOv8 통합 기능을 알아보려면 문서를 확인해 보세요.

GitHub 저장소를 살펴보고 커뮤니티에 참여해 AI에 대해 더 알아보세요. 제조 및 의료 분야의 AI에 관한 상세한 정보를 확인하려면 솔루션 페이지를 살펴보세요.