Ultralytics YOLOv8의 ML 실험 추적 통합 살펴보기

모든 컴퓨터 비전 프로젝트의 핵심은 데이터를 수집하고 주석을 지정하며 Ultralytics YOLOv8 모델과 같은 모델을 학습하는 것입니다. 최적의 모델을 만들려면 다양한 매개변수로 커스텀 모델을 여러 번 학습해야 하는 경우가 많습니다. 학습 실험을 추적하는 도구를 사용하면 컴퓨터 비전 프로젝트를 조금 더 쉽게 관리할 수 있습니다. 실험 추적은 사용한 매개변수, 얻은 결과, 진행 중에 적용한 변경 사항 등 각 학습 실행의 세부 정보를 기록하는 프로세스입니다.

그림 1. 컴퓨터 비전 프로젝트에서 실험 추적이 작동하는 방식을 보여주는 이미지입니다.

이러한 세부 정보를 기록하면 결과를 재현하고, 무엇이 효과가 있고 무엇이 효과가 없는지 파악하며, 모델을 더욱 효과적으로 파인튜닝하는 데 도움이 됩니다. 조직에서는 팀 간 일관성을 유지하고 협업을 촉진하며 명확한 감사 추적을 제공할 수 있습니다. 개인에게는 접근 방식을 개선하고 시간이 지남에 따라 더 나은 결과를 얻을 수 있도록 작업에 대한 명확하고 체계적인 문서를 유지하는 것이 중요합니다.

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

MLflow를 사용한 머신러닝 실험 추적#

MLflow는 Databricks가 개발한 오픈 소스 플랫폼으로, 전체 머신러닝 수명 주기를 더욱 쉽게 관리할 수 있도록 합니다. MLflow Tracking은 MLflow의 핵심 구성 요소로, 데이터 과학자와 엔지니어가 머신러닝 실험을 기록하고 시각화할 수 있도록 지원하는 API와 사용자 인터페이스를 제공합니다. Python, REST, Java, R API를 비롯한 다양한 언어와 인터페이스를 지원합니다.

MLflow Tracking은 YOLOv8과 원활하게 통합되며, 모델에서 정밀도, 재현율, 손실과 같은 중요한 메트릭을 직접 기록할 수 있습니다. YOLOv8에서 MLflow 설정하기는 간단하며, 유연한 옵션을 제공합니다. 기본 localhost 설정을 사용하거나, 다양한 데이터 저장소에 연결하거나, 원격 MLflow 추적 서버를 시작하여 모든 항목을 체계적으로 관리할 수 있습니다.

그림 2. MLflow 추적 환경의 일반적인 구성입니다. 이미지 출처: MLflow tracking입니다.

MLflow가 프로젝트에 적합한 도구인지 결정하는 데 도움이 되는 몇 가지 기준은 다음과 같습니다.

• 확장성: 단일 머신에서 작업하든 대규모 클러스터에 배포하든 MLflow는 요구 사항에 맞게 잘 확장됩니다. 프로젝트를 개발 단계에서 프로덕션 단계로 확장해야 하는 경우 MLflow가 이러한 성장을 지원할 수 있습니다.
• 프로젝트 복잡성: MLflow는 철저한 추적, 모델 관리 및 배포 기능이 필요한 복잡한 프로젝트에 적합합니다. 프로젝트에 이러한 전체 규모의 기능이 필요한 경우 MLflow가 워크플로를 간소화할 수 있습니다.
• 설정 및 유지 관리: 강력한 기능을 제공하지만 MLflow는 학습 곡선과 설정 오버헤드가 있습니다.

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

Weights & Biases는 머신러닝 실험을 추적, 시각화 및 관리하기 위한 MLOps 플랫폼입니다. W&B를 YOLOv8과 함께 사용하면 모델 성능을 학습하고 파인튜닝하는 동안 모니터링할 수 있습니다. W&B의 대화형 대시보드는 이러한 메트릭을 명확한 실시간 보기로 제공하며, 학습 과정에서 추세를 파악하고 모델 변형을 비교하며 문제를 해결하기 쉽게 합니다.

W&B는 학습 메트릭과 모델 체크포인트를 자동으로 기록하며, 학습률과 배치 크기 같은 하이퍼파라미터를 파인튜닝하는 데 사용할 수도 있습니다. 이 플랫폼은 로컬 머신에서 실행을 추적하는 것부터 클라우드 스토리지를 사용하여 대규모 프로젝트를 관리하는 것까지 폭넓은 설정 옵션을 지원합니다.

그림 3. Weights & Biases 실험 추적 대시보드 예시입니다. 이미지 출처: Weights & Biases track experiments입니다.

Weights & Biases가 프로젝트에 적합한 도구인지 결정하는 데 도움이 되는 몇 가지 기준은 다음과 같습니다.

• 향상된 시각화 및 추적: W&B는 학습 메트릭과 모델 성능을 실시간으로 시각화할 수 있는 직관적인 대시보드를 제공합니다.
• 요금 모델: 요금은 추적된 시간을 기준으로 책정되므로, 예산이 제한적이거나 학습 시간이 긴 프로젝트를 진행하는 사용자에게는 적합하지 않을 수 있습니다.

ClearML을 사용한 MLOps 실험 추적#

ClearML은 머신러닝 워크플로를 자동화, 모니터링 및 오케스트레이션하도록 설계된 오픈 소스 MLOps 플랫폼입니다. PyTorch, TensorFlow, Keras와 같은 인기 머신러닝 프레임워크를 지원하며 기존 프로세스와 쉽게 통합할 수 있습니다. ClearML은 로컬 머신 또는 클라우드에서의 분산 컴퓨팅도 지원하며 CPU 및 GPU 사용량을 모니터링할 수 있습니다.

YOLOv8과 ClearML의 통합은 실험 추적, 모델 관리 및 리소스 모니터링을 위한 도구를 제공합니다. 이 플랫폼의 직관적인 웹 UI를 사용하면 데이터를 시각화하고 실험을 비교하며 손실, 정확도, 검증 점수와 같은 주요 메트릭을 실시간으로 추적할 수 있습니다. 또한 원격 실행, 하이퍼파라미터 튜닝, 모델 체크포인트 관리와 같은 고급 기능도 지원합니다.

그림 4. ClearML 실험 추적 시각화 예시입니다. 이미지 출처: Clear ML Tracking Experiments and Visualizing Results입니다.

ClearML이 프로젝트에 적합한 도구인지 결정하는 데 도움이 되는 몇 가지 기준은 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 환경에 맞게 조정할 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 통합을 통해 추세를 파악하고 다양한 실행을 비교하기가 더 쉬워집니다.

Comet ML은 클라우드, 가상 프라이빗 클라우드 (VPC) 또는 온프레미스에서 사용할 수 있어 다양한 환경과 요구 사항에 맞게 조정할 수 있습니다. 이 도구는 팀워크를 위해 설계되었습니다. 프로젝트를 공유하고 팀원에게 태그를 지정하며 댓글을 남겨 모든 팀원이 동일한 정보를 공유하고 실험을 정확하게 재현할 수 있습니다.

Comet ML이 프로젝트에 적합한 도구인지 결정하는 데 도움이 되는 몇 가지 기준은 다음과 같습니다.

• 다양한 프레임워크 및 언어 지원: Comet ML은 Python, JavaScript, Java, R 등을 지원하므로 프로젝트에서 어떤 도구나 언어를 사용하든 다용도로 활용할 수 있습니다.
• 사용자 지정 가능한 대시보드 및 보고서: Comet ML의 인터페이스는 사용자 지정성이 매우 높아 프로젝트에 가장 적합한 보고서와 대시보드를 만들 수 있습니다.
• 비용: Comet ML은 상용 플랫폼이며 일부 고급 기능을 사용하려면 유료 구독이 필요합니다.

TensorBoard로 시각화 지원하기#

TensorBoard는 TensorFlow 실험을 위해 특별히 설계된 강력한 시각화 툴킷이지만, 다양한 머신러닝 프로젝트에서 메트릭을 추적하고 시각화하는 데도 훌륭한 도구입니다. 단순성과 속도로 잘 알려진 TensorBoard를 사용하면 주요 메트릭을 쉽게 추적하고 모델 그래프, 임베딩 및 기타 데이터 유형을 시각화할 수 있습니다.

TensorBoard를 YOLOv8과 함께 사용하는 것의 주요 장점 중 하나는 편리하게 사전 설치되어 있어 추가 설정이 필요하지 않다는 점입니다. 또 다른 장점은 TensorBoard를 완전히 온프레미스에서 실행할 수 있다는 것입니다. 이는 엄격한 데이터 개인정보 보호 요구 사항이 있는 프로젝트나 클라우드 업로드가 불가능한 환경에서 특히 중요합니다.

그림 5. TensorBoard를 사용한 YOLOv8 모델 학습 모니터링입니다.

TensorBoard가 프로젝트에 적합한 도구인지 결정하는 데 도움이 되는 몇 가지 기준은 다음과 같습니다.

• What-If Tool (WIT)을 사용한 설명 가능성: TensorBoard에는 ML 모델을 탐색하고 이해할 수 있는 사용하기 쉬운 인터페이스를 제공하는 What-If Tool이 포함되어 있습니다. 블랙박스 모델에 대한 인사이트를 얻고 설명 가능성을 개선하려는 사용자에게 유용합니다.
• 간단한 실험 추적: TensorBoard는 실험 비교가 제한적인 기본 추적 요구 사항에 적합하지만, 강력한 팀 협업 기능, 버전 관리 및 개인정보 보호 관리 기능은 부족합니다.

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

YOLOv8과 DVCLive의 통합은 대용량 파일을 Git에 저장하지 않고 데이터셋, 모델 및 코드를 함께 버전 관리하여 실험을 추적하고 관리하는 간소화된 방법을 제공합니다. Git과 유사한 명령을 사용하며 추적된 메트릭을 일반 텍스트 파일에 저장하여 쉽게 버전 관리할 수 있습니다. DVCLive는 주요 메트릭을 기록하고 결과를 시각화하며 리포지토리를 복잡하게 만들지 않고 실험을 깔끔하게 관리합니다. 다양한 스토리지 제공업체를 지원하며 로컬 또는 클라우드에서 작동할 수 있습니다. DVCLive는 추가 인프라나 클라우드 종속성 없이 실험 추적을 간소화하려는 팀에 적합합니다.

Ultralytics HUB를 사용한 Ultralytics 모델 및 워크플로 관리#

Ultralytics HUB는 YOLOv5 및 YOLOv8과 같은 Ultralytics YOLO 모델의 학습, 배포 및 관리를 간소화하도록 설계된 사내 올인원 플랫폼입니다. 외부 통합과 달리 Ultralytics HUB는 YOLO 사용자를 위해 특별히 제작된 원활한 네이티브 환경을 제공합니다. 전체 프로세스를 간소화하여 데이터셋을 쉽게 업로드하고, 사전 학습된 모델을 선택하고, 클라우드 리소스를 사용해 몇 번의 클릭만으로 학습을 시작할 수 있으며, 이 모든 작업을 HUB의 사용하기 쉬운 인터페이스 안에서 수행할 수 있습니다. Ultralytics HUB는 실험 추적도 지원하므로 학습 진행 상황을 모니터링하고 결과를 비교하며 모델을 쉽게 파인튜닝할 수 있습니다.

그림 6. Ultralytics HUB를 사용한 YOLOv8 모델 학습 모니터링입니다.

핵심 요점#

머신러닝 실험을 추적하는 데 적합한 도구를 선택하면 큰 차이를 만들 수 있습니다. 지금까지 살펴본 모든 도구는 YOLOv8 학습 실험을 추적하는 데 도움이 되지만, 프로젝트에 가장 적합한 도구를 찾으려면 각 도구의 장단점을 신중하게 비교해야 합니다. 적합한 도구를 사용하면 체계적으로 작업하고 YOLOv8 모델의 성능을 개선할 수 있습니다.

통합 기능을 활용하면 혁신적인 프로젝트에서 YOLOv8을 더욱 쉽게 사용하고 진행 속도를 높일 수 있습니다. 더 다양한 YOLOv8 통합 기능을 살펴보려면 문서를 확인해 보세요.

GitHub 저장소를 살펴보고 커뮤니티에 참여하여 AI에 대해 더 알아보세요. 제조 및 의료 분야의 AI에 관한 자세한 내용은 솔루션 페이지에서 확인할 수 있습니다. 🚀