Ultralytics YOLOv8의 ML 실험 추적 통합 탐색

Collecting data, annotating it, and training models like the Ultralytics YOLOv8 model is the core of any computer vision project. Often, you’ll need to train your custom model multiple times with different parameters to create the most optimal model. Using tools to track your training experiments can make managing your computer vision project a little easier. Experiment tracking is the process of recording the details of every training run - like the parameters you used, the results you achieved, and any changes you made along the way.

그림 1. 컴퓨터 비전 프로젝트에서 실험 추적이 어떻게 활용되는지를 보여주는 이미지입니다.

이러한 세부 정보를 기록해 두면 결과를 재현하고, 무엇이 효과적이고 무엇이 그렇지 않은지 파악하며, 모델을 더욱 효과적으로 미세 조정할 수 있습니다. 조직의 경우 팀 간 일관성을 유지하고 협업을 촉진하며 명확한 감사 추적을 제공하는 데 도움이 됩니다. 개인의 경우 작업에 대한 명확하고 체계적인 문서화를 유지하여 접근 방식을 개선하고 시간이 지남에 따라 더 나은 결과를 얻을 수 있도록 해줍니다.

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

Link to this sectionMLflow를 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 통합되며 모델에서 직접 정밀도(precision), 재현율(recall), 손실(loss)과 같은 중요 지표를 기록할 수 있습니다. YOLOv8과 MLflow 설정은 간단하며 유연한 옵션을 제공합니다. 기본 localhost 설정을 사용하거나 다양한 데이터 저장소에 연결하거나 원격 MLflow 추적 서버를 시작하여 모든 것을 체계적으로 관리할 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.

Link to this section컴퓨터 비전 모델 추적을 위해 Weights & Biases (W&B) 사용하기#

Weights & Biases is an MLOps platform for tracking, visualizing, and managing machine learning experiments. By using W&B with YOLOv8, you can monitor your models’ performance as you train and fine-tune them. W&B’s interactive dashboard provides a clear, real-time view of these metrics and makes it easier to spot trends, compare model variants, and troubleshoot issues during the training process.

W&B는 학습 지표와 모델 체크포인트를 자동으로 기록하며, 학습률 및 배치 크기와 같은 하이퍼파라미터를 미세 조정하는 데 사용할 수도 있습니다. 이 플랫폼은 로컬 머신에서 실행을 추적하는 것부터 클라우드 스토리지를 사용하여 대규모 프로젝트를 관리하는 것까지 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.

Link to this sectionClearML을 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.

YOLOv8과 ClearML의 통합은 실험 추적, 모델 관리 및 리소스 모니터링을 위한 도구를 제공합니다. 플랫폼의 직관적인 웹 UI를 통해 데이터를 시각화하고, 실험을 비교하며, 손실, 정확도 및 검증 점수와 같은 중요한 지표를 실시간으로 추적할 수 있습니다. 또한 이 통합 기능은 원격 실행, 하이퍼파라미터 튜닝, 모델 체크포인트 저장과 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.

Link to this sectionComet ML을 사용하여 학습 실험 추적하기#

Comet ML은 머신러닝 실험을 관리하고 추적하는 데 도움이 되는 사용자 친화적인 플랫폼입니다. YOLOv8과 Comet ML의 통합을 통해 실험을 기록하고 시간이 지남에 따라 결과를 확인할 수 있습니다. 이 통합 기능을 사용하면 추세를 파악하고 서로 다른 실행 결과를 비교하기가 더 쉬워집니다.

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.

• 다중 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 지정이 가능하므로 프로젝트에 가장 적합한 보고서와 대시보드를 만들 수 있습니다.
• 비용: Comet ML은 상용 플랫폼이며 일부 고급 기능은 유료 구독이 필요합니다.

Link to this section시각화에 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 별도의 추가 설정 없이 편리하게 미리 설치되어 제공된다는 점입니다. 또 다른 장점은 TensorBoard가 온프레미스에서 완전히 실행될 수 있다는 점입니다. 이는 엄격한 데이터 개인정보 보호 요구 사항이 있는 프로젝트나 클라우드 업로드가 불가능한 환경에서 매우 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.

Link to this section머신러닝 실험 추적을 위해 DVCLive (Data Version Control Live) 사용하기#

YOLOv8과 DVCLive의 통합은 Git에 대용량 파일을 저장하지 않고도 데이터 세트, 모델 및 코드를 함께 버전 관리하여 실험을 추적하고 관리하는 간소화된 방법을 제공합니다. Git과 유사한 명령어를 사용하며 추적된 지표를 일반 텍스트 파일에 저장하여 쉽게 버전 관리를 할 수 있습니다. DVCLive는 주요 지표를 기록하고, 결과를 시각화하며, 리포지토리를 어지럽히지 않고 깔끔하게 실험을 관리합니다. 다양한 저장소 제공업체를 지원하며 로컬 또는 클라우드에서 작업할 수 있습니다. DVCLive는 추가 인프라나 클라우드 의존성 없이 실험 추적을 간소화하려는 팀에게 완벽합니다.

Link to this sectionUltralytics 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.

Link to this section핵심 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!

통합 기능을 사용하면 혁신적인 프로젝트에서 YOLOv8을 더욱 쉽게 사용하고 진행 속도를 높일 수 있습니다. 더 흥미로운 YOLOv8 통합 내용을 알아보려면 당사 문서를 확인하십시오.

GitHub 저장소를 탐색하고 저희 커뮤니티에 가입하여 AI에 대해 더 자세히 알아보세요. 제조업 및 의료 분야에서의 AI에 대한 자세한 통찰력은 솔루션 페이지에서 확인하실 수 있습니다. 🚀