Ultralytics YOLOv8의 ML 실험 추적 통합 탐색

데이터 수집, 라벨링 및 Ultralytics YOLOv8 모델과 같은 모델 학습은 모든 컴퓨터 비전 프로젝트의 핵심입니다. 최적의 모델을 만들기 위해 서로 다른 파라미터로 커스텀 모델을 여러 번 학습해야 하는 경우가 많습니다. 학습 실험을 추적하는 도구를 사용하면 컴퓨터 비전 프로젝트 관리가 조금 더 쉬워질 수 있습니다. 실험 추적은 사용한 파라미터, 달성한 결과, 과정에서 변경한 사항 등 모든 학습 실행의 세부 정보를 기록하는 프로세스입니다.

그림 1. 실험 추적이 컴퓨터 비전 프로젝트에 어떻게 적용되는지 보여주는 이미지입니다.

이러한 세부 정보를 기록하면 결과를 재현하고, 작동하는 것과 작동하지 않는 것을 이해하며, 모델을 더 효과적으로 파인튜닝하는 데 도움이 됩니다. 조직의 경우 팀 간 일관성을 유지하고, 협업을 촉진하며, 명확한 감사 추적을 제공합니다. 개인의 경우 작업에 대한 명확하고 체계적인 문서를 유지하여 접근 방식을 개선하고 시간이 지남에 따라 더 나은 결과를 얻을 수 있습니다.

이 글에서는 YOLOv8 실험을 관리하고 모니터링하는 데 사용할 수 있는 다양한 학습 연동에 대해 안내해 드립니다. 혼자 작업하든 더 큰 팀의 일원으로 작업하든, 올바른 추적 도구를 이해하고 사용하면 YOLOv8 프로젝트의 성공에 큰 차이를 만들 수 있습니다.

MLflow를 사용한 머신러닝 실험 추적#

MLflow는 Databricks에서 개발한 오픈 소스 플랫폼으로, 전체 머신러닝 라이프사이클 관리를 간소화합니다. MLflow Tracking은 데이터 과학자와 엔지니어가 머신러닝 실험을 기록하고 시각화할 수 있도록 API와 사용자 인터페이스를 제공하는 MLflow의 필수 구성 요소입니다. Python, REST, Java 및 R API를 포함한 여러 언어와 인터페이스를 지원합니다.

MLflow Tracking은 YOLOv8과 원활하게 연동되며, 모델에서 정밀도, 재현율, 손실 등의 중요 지표를 직접 로깅할 수 있습니다. YOLOv8에 MLflow 설정하기는 간단하며, 기본 로컬호스트 설정 사용, 다양한 데이터 저장소 연결, 원격 MLflow 추적 서버 시작 등 유연한 옵션을 제공하여 모든 것을 체계적으로 유지할 수 있습니다.

그림 2. MLflow 추적 환경의 일반적인 설정. 이미지 출처: MLflow tracking.

MLflow가 귀하의 프로젝트에 적합한 도구인지 결정하는 데 도움이 될 몇 가지 입력 정보는 다음과 같습니다.

• 확장성: MLflow는 단일 머신에서 작업하든 대규모 클러스터에 배포하든 상관없이 필요에 따라 잘 확장됩니다. 프로젝트가 개발 단계에서 프로덕션 단계로 확장되어야 하는 경우 MLflow가 이러한 성장을 지원할 수 있습니다.
• 프로젝트 복잡성: MLflow는 철저한 추적, 모델 관리 및 배포 기능이 필요한 복잡한 프로젝트에 이상적입니다. 프로젝트에 이러한 전체 규모의 기능이 필요한 경우 MLflow가 워크플로우를 간소화할 수 있습니다.
• 설치 및 유지 관리: MLflow는 강력하지만 학습 곡선과 설치 오버헤드가 발생합니다.

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

Weights & Biases는 머신러닝 실험을 추적, 시각화, 관리하기 위한 MLOps 플랫폼입니다. YOLOv8에서 W&B를 사용하여 학습 및 파인튜닝을 진행하면서 모델의 성능을 모니터링할 수 있습니다. W&B의 대화형 대시보드는 이러한 지표에 대한 명확하고 실시간 뷰를 제공하여 학습 과정에서 트렌드를 파악하고, 모델 변형을 비교하며, 문제를 해결하는 것을 더 쉽게 만들어 줍니다.

W&B는 학습 지표와 모델 체크포인트를 자동으로 로깅하며, 학습률 및 배치 크기와 같은 하이터파라미터를 파인튜닝하는 데에도 사용할 수 있습니다. 이 플랫폼은 로컬 머신에서 실행 추적부터 클라우드 스토리지를 통한 대규모 프로젝트 관리까지 다양한 설정 옵션을 지원합니다.

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

Weights & Biases가 귀하의 프로젝트에 적합한 도구인지 결정하는 데 도움이 될 몇 가지 입력 정보는 다음과 같습니다.

• 향상된 시각화 및 추적: W&B는 학습 지표와 모델 성능을 실시간으로 시각화할 수 있는 직관적인 대시보드를 제공합니다.
• 가격 정책: 가격은 추적된 시간을 기준으로 책정되므로 예산이 제한적이거나 학습 시간이 긴 프로젝트를 수행하는 사용자에게는 적합하지 않을 수 있습니다.

ClearML을 사용한 MLOps 실험 추적#

ClearML은 머신러닝 워크플로우를 자동화, 모니터링 및 오케스트레이션하도록 설계된 오픈 소스 MLOps 플랫폼입니다. PyTorch, TensorFlow, Keras와 같은 인기 있는 머신러닝 프레임워크를 지원하며 기존 프로세스와 쉽게 통합할 수 있습니다. 또한 ClearML은 로컬 머신이나 클라우드에서의 분산 컴퓨팅을 지원하며 CPU 및 GPU 사용량을 모니터링할 수 있습니다.

ClearML과 YOLOv8의 연동은 실험 추적, 모델 관리, 리소스 모니터링을 위한 도구를 제공합니다. 플랫폼의 직관적인 웹 UI를 통해 데이터를 시각화하고, 실험을 비교하며, 손실, 정확도, 검증 점수와 같은 중요 지표를 실시간으로 추적할 수 있습니다. 또한 원격 실행, 하이퍼파라미터 튜닝, 모델 체크포인팅과 같은 고급 기능도 지원합니다.

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

ClearML이 귀하의 프로젝트에 적합한 도구인지 결정하는 데 도움이 될 몇 가지 입력 정보는 다음과 같습니다.

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

Comet ML을 사용하여 학습 실험 추적하기#

Comet ML은 머신러닝 실험을 관리하고 추적하는 데 도움이 되는 사용자 친화적인 플랫폼입니다. Comet ML과 YOLOv8의 연동을 통해 실험을 로깅하고 시간에 따른 결과를 확인할 수 있습니다. 이 연동을 통해 트렌드를 쉽게 파악하고 다양한 실행을 비교할 수 있습니다.

Comet ML은 클라우드, 가상 프라이빗 클라우드(VPC) 또는 온프레미스에서 사용할 수 있어 다양한 설정과 요구 사항에 맞춰 조정할 수 있습니다. 이 도구는 팀워크를 위해 설계되었습니다. 프로젝트를 공유하고, 팀원을 태그하고, 댓글을 남길 수 있으므로 모든 사람이 동일한 정보를 공유하고 실험을 정확하게 재현할 수 있습니다.

Comet ML이 귀하의 프로젝트에 적합한 도구인지 결정하는 데 도움이 될 몇 가지 입력 정보는 다음과 같습니다.

• 다양한 프레임워크 및 언어 지원: Comet ML은 Python, JavaScript, Java, R 등을 지원하므로 프로젝트에서 어떤 도구나 언어를 사용하든 다재다능한 옵션이 됩니다.
• 사용자 지정 가능한 대시보드 및 보고서: Comet ML의 인터페이스는 사용자 지정이 가능하므로 프로젝트에 가장 적합한 보고서와 대시보드를 만들 수 있습니다.
• 비용: Comet ML은 상용 플랫폼이며 일부 고급 기능은 유료 구독이 필요합니다.

시각화에 도움을 줄 수 있는 TensorBoard#

TensorBoard는 원래 TensorFlow 실험을 위해 설계된 강력한 시각화 툴킷이지만, 다양한 머신러닝 프로젝트 전반에서 지표를 추적하고 시각화하는 데에도 훌륭한 도구입니다. 단순함과 속도로 잘 알려진 TensorBoard를 사용하면 사용자는 주요 지표를 쉽게 추적하고 모델 그래프, 임베딩 및 기타 데이터 유형을 시각화할 수 있습니다.

YOLOv8과 TensorBoard를 함께 사용할 때의 주요 장점 중 하나는 추가 설정 없이 미리 설치되어 있어 편리하다는 점입니다. 또 다른 장점은 TensorBoard가 완전히 온프레미스에서 실행될 수 있다는 점입니다. 이는 엄격한 데이터 프라이버시 요구사항이 있는 프로젝트나 클라우드 업로드가 불가능한 환경에서 특히 중요합니다.

그림 5. TensorBoard를 사용한 YOLOv8 모델 학습 모니터링.

TensorBoard가 귀하의 프로젝트에 적합한 도구인지 결정하는 데 도움이 될 몇 가지 입력 정보는 다음과 같습니다.

• What-If Tool (WIT)을 통한 설명 가능성: TensorBoard에는 머신러닝 모델을 탐색하고 이해하기 위한 사용하기 쉬운 인터페이스를 제공하는 What-If Tool이 포함되어 있습니다. 이는 블랙박스 모델에 대한 통찰력을 얻고 설명 가능성을 높이려는 사람들에게 유용합니다.
• 간단한 실험 추적: TensorBoard는 기본적인 추적 요구 사항에는 이상적이지만, 실험 비교 기능이 제한적이며 강력한 팀 협업 기능, 버전 관리 및 개인정보 보호 관리 기능은 부족합니다.

머신러닝 실험 추적을 위해 DVCLive (Data Version Control Live) 사용하기#

DVCLive와 YOLOv8의 연동은 Git에 대용량 파일을 저장하지 않고 데이터셋, 모델, 코드를 함께 버전 관리하여 실험을 추적하고 관리할 수 있는 간소화된 방법을 제공합니다. Git과 유사한 명령어를 사용하며 추적된 지표를 일반 텍스트 파일로 저장하여 쉽게 버전 제어를 할 수 있습니다. DVCLive는 레포지토리를 어지럽히지 않고 주요 지표를 로깅하고, 결과를 시각화하며, 실험을 깔끔하게 관리합니다. 다양한 스토리지 제공업체를 지원하며 로컬 또는 클라우드에서 작동할 수 있습니다. DVCLive는 추가 인프라나 클라우드 종속성 없이 실험 추적을 간소화하려는 팀에 완벽합니다.

Ultralytics HUB를 사용하여 Ultralytics 모델 및 워크플로우 관리하기#

Ultralytics HUB is an in-house, all-in-one platform designed to simplify the training, deployment, and management of Ultralytics YOLO models like YOLOv5 and YOLOv8. Unlike external integrations, Ultralytics HUB offers a seamless, native experience created specifically for YOLO users. It simplifies the entire process, allowing you to easily upload datasets, choose pre-trained models, and start training with just a few clicks using cloud resources - all within the HUB’s easy-to-use interface. Ultralytics HUB also supports experiment tracking, making monitoring training progress, comparing results, and fine-tuning models easy.

그림 6. Ultralytics HUB를 사용한 YOLOv8 모델 학습 모니터링.

핵심 요약#

머신러닝 실험을 추적하기 위한 올바른 도구를 선택하는 것은 큰 차이를 만들 수 있습니다. 우리가 논의한 모든 도구는 YOLOv8 학습 실험을 추적하는 데 도움이 될 수 있지만, 각 도구의 장단점을 따져보고 프로젝트에 가장 적합한 도구를 찾는 것이 중요합니다. 올바른 도구는 체계적인 관리를 유지하게 해주며 YOLOv8 모델의 성능을 향상시키는 데 도움을 줄 것입니다!

연동 기능을 통해 혁신적인 프로젝트에서 YOLOv8을 더 쉽게 사용하고 진행 속도를 가속화할 수 있습니다. 더 흥미로운 YOLOv8 연동을 살펴보려면 저희 문서를 확인해 보세요.

GitHub 레포지토리를 탐색하고 커뮤니티 가입을 통해 AI에 대해 더 자세히 알아보세요. 제조 및 의료 분야의 AI에 대한 자세한 통찰력은 솔루션 페이지를 확인하세요. 🚀