MLflow 통합을 사용해 Ultralytics YOLO 실험 로깅하기

컴퓨터 비전 프로젝트는 퍼즐에 비유할 수 있습니다. 데이터 세트 수집, 모델 학습, 배포와 같은 퍼즐 조각을 맞춰 가며 기계가 시각 데이터를 이해하도록 학습시키는 과정입니다. 모든 조각이 맞으면 이미지와 동영상을 효과적으로 분석하고 이해하는 시스템을 얻을 수 있습니다.

하지만 실제 퍼즐과 마찬가지로 컴퓨터 비전 프로젝트의 모든 단계가 순조로운 것은 아닙니다. 실험 추적(설정, 구성, 데이터 기록)과 로깅(결과 및 성능 지표 수집)과 같은 작업은 많은 시간과 노력이 필요할 수 있습니다. 이러한 단계는 컴퓨터 비전 모델의 성능을 개선하고 정교화하는 데 핵심적이지만, 때로는 병목처럼 느껴질 수 있습니다.

바로 이 지점에서 Ultralytics YOLO 모델과 MLflow 통합이 중요한 역할을 합니다. Ultralytics YOLO11과 같은 모델은 객체 감지, 인스턴스 분할, 이미지 분류 등 다양한 컴퓨터 비전 작업을 지원합니다. 이러한 기능은 폭넓은 컴퓨터 비전 애플리케이션을 구현할 수 있게 합니다. MLflow 통합과 같은 통합 기능을 활용하면 비전 엔지니어는 세부 설정에 얽매이지 않고 모델 자체에 집중할 수 있습니다.

특히 MLflow 통합은 학습 과정 전반에 걸쳐 다양한 지표, 매개변수, 아티팩트를 로깅해 프로세스를 간소화합니다. 이 글에서는 MLflow 통합의 작동 방식과 이점, 그리고 Ultralytics YOLO 워크플로를 간소화하는 데 활용하는 방법을 살펴보겠습니다.

MLflow란 무엇인가요?#

MLflow는 머신러닝 수명 주기 전체를 간소화하고 관리하도록 설계된 오픈소스 플랫폼(Databricks 개발)입니다. 머신러닝 모델의 개발, 배포, 유지 관리 과정을 포괄합니다.

MLflow에는 다음과 같은 주요 구성 요소가 포함됩니다.

• 실험 추적: 이 구성 요소는 각 모델 학습 실행에서 모델 설정, 결과, 파일과 같은 중요한 세부 정보를 기록하는 데 중점을 둡니다. 모델을 비교하고 변경 사항이 성능에 미치는 영향을 확인하며 가장 적합한 모델을 찾는 데 도움이 됩니다.
• 모델 레지스트리: 모델을 저장하는 시스템과 같으며, 여러 버전을 추적하고 테스트, 스테이징, 프로덕션과 같은 단계별로 정리할 수 있습니다.
• 프로젝트 패키징: MLflow를 사용하면 코드, 설정, 필수 도구를 포함한 머신러닝 프로젝트를 손쉽게 패키징할 수 있습니다. 따라서 팀과 환경 전반에서 프로젝트를 일관되게 공유하고 사용할 수 있습니다.
• 모델 배포: MLflow는 학습된 모델을 워크스테이션이나 AWS 및 Azure와 같은 클라우드 플랫폼에 신속하게 배포하는 도구를 제공해 실제 환경에서 사용할 수 있도록 합니다.

그림 1. MLflow 구성 요소.

MLflow의 구성 요소는 머신러닝 프로세스를 더 쉽고 효율적으로 관리할 수 있도록 합니다. 이 통합을 통해 Ultralytics는 YOLO 모델을 학습하는 동안 매개변수, 지표, 아티팩트를 기록하는 MLflow의 실험 추적 기능을 사용할 수 있게 합니다. 이를 통해 여러 YOLO 모델 버전을 간편하게 추적하고 비교할 수 있습니다.

MLflow 통합으로 학습이 간소화됩니다#

MLflow가 무엇인지 살펴봤으니 이제 MLflow 통합의 세부 사항과 제공 기능을 알아보겠습니다.

MLflow 통합은 컴퓨터 비전 실험의 중요한 측면을 자동으로 추적하고 기록하여 학습 프로세스를 더 효율적이고 체계적으로 만드는 데 중점을 둡니다. 이 통합은 메트릭, 파라미터, 아티팩트라는 세 가지 주요 로깅 유형을 지원합니다.

각 로깅 유형을 자세히 살펴보겠습니다.

• 메트릭 로깅: 메트릭은 학습 중 모델의 성능을 측정하는 정량적 값입니다. 예를 들어 정확도, 정밀도, 재현율 또는 손실과 같은 메트릭은 각 에포크(데이터셋을 한 번 모두 순회하는 과정)가 끝날 때 추적됩니다.
• 파라미터 로깅: 파라미터는 학습률, 배치 크기(한 번의 학습 단계에서 처리하는 샘플 수), 에포크 수 등 모델 학습을 시작하기 전에 정의하는 설정입니다. 이러한 파라미터는 모델의 동작과 성능에 큰 영향을 미칩니다.
• 아티팩트 로깅: 아티팩트는 학습 중 생성되는 출력물 또는 파일입니다. 여기에는 모델 가중치(학습 중 모델이 학습하는 수치), 설정 파일(학습 설정을 저장하는 파일), 기타 관련 데이터와 같은 필수 파일이 포함됩니다.

그림 2. MLflow 통합의 주요 로깅 기능. 이미지 제공: 저자.

MLflow 통합의 작동 방식#

MLflow 통합을 활성화하는 단계별 지침은 Ultralytics 문서에서 확인할 수 있습니다. 설정이 완료되면 앞서 설명한 대로 통합 기능이 학습 실험의 주요 세부 정보를 자동으로 추적하고 기록합니다. 따라서 수동으로 추적할 필요가 없어지고 모델 개선에 집중할 수 있습니다.

MLflow 통합을 사용하면 모든 학습 실행이 한곳에 저장되므로 결과를 비교하고 다양한 설정을 평가하기가 더 쉬워집니다. 기록된 결과를 비교하면 성능이 가장 우수한 설정을 찾아내고, 그 인사이트를 활용해 모델을 개선할 수 있습니다. 이를 통해 워크플로가 더 효율적이고 잘 문서화되며 재현 가능해집니다.

구체적으로 각 학습 세션은 여러 실행을 담는 컨테이너인 실험으로 구성됩니다. 실험 내에서 관련 실행을 모두 확인하고, 성능을 나란히 비교하며, 다양한 설정에 따른 추세를 분석할 수 있습니다.

예를 들어 Ultralytics YOLOv8에서 다양한 학습률이나 배치 크기를 테스트하는 경우, 아래와 같이 관련 실행이 모두 동일한 실험에 그룹화되어 쉽게 비교하고 분석할 수 있습니다.

그림 3. MLflow 통합을 사용하여 실험을 확인할 수 있습니다.

한편 개별 실행 수준에서 MLflow는 특정 학습 세션에 관한 상세한 인사이트를 제공합니다. 에포크별 정확도, 손실, 정밀도 등의 메트릭을 확인하고, 사용된 학습 파라미터(예: 배치 크기와 학습률)를 살펴보며, 모델 가중치와 설정 파일 같은 생성된 아티팩트에 액세스할 수 있습니다. 이러한 세부 정보는 체계적인 형식으로 저장되므로 모든 실행을 쉽게 다시 확인하거나 재현할 수 있습니다.

MLflow 통합을 선택해야 하는 이유: 차별화 요소#

Ultralytics 문서를 살펴보고 이용 가능한 통합 기능을 확인하다 보면, MLflow 통합은 무엇이 특별하며 왜 워크플로에 선택해야 하는지 궁금할 수 있습니다.

메트릭 추적 및 결과 시각화 도구를 제공하는 TensorBoard와 같은 통합 기능도 있으므로, MLflow 통합을 돋보이게 하는 고유한 특성을 이해하는 것이 중요합니다.

MLflow가 YOLO 프로젝트에 적합한 선택일 수 있는 이유는 다음과 같습니다.

• 사용자 친화적인 인터페이스: MLflow 대시보드를 사용하면 실험을 확인하고, 실행을 비교하고, 결과를 분석하기 쉬워 성능이 가장 우수한 설정을 빠르게 찾아낼 수 있습니다.
• 사용자 지정 메트릭 로깅: 비전 엔지니어는 표준 메트릭 외에도 사용자 지정 메트릭을 기록할 수 있으므로 프로젝트 요구 사항에 맞는 심층 분석이 가능합니다.
• 다국어 워크플로 지원: MLflow는 Python, R, Java를 비롯한 여러 프로그래밍 언어와 호환되므로 다양한 머신러닝 파이프라인에 통합할 수 있습니다.

Ultralytics YOLO11 및 MLflow 통합의 실제 활용 사례#

MLflow 통합을 언제 사용할 수 있는지 더 종합적으로 이해하기 위해, X선 또는 CT 스캔 이미지에서 종양을 감지하도록 Ultralytics YOLO11을 학습해야 하는 의료 분야의 AI 애플리케이션을 살펴보겠습니다.

이러한 시나리오에서 데이터셋은 주석이 추가된 의료 이미지로 구성됩니다. 최적의 정확도를 달성하려면 학습률, 배치 크기, 이미지 전처리 기법 등을 조정하는 등 다양한 설정을 실험해야 합니다. 의료 분야는 위험도가 높고 정밀도와 신뢰성이 중요하므로, 각 실험을 수동으로 추적하면 금세 감당하기 어려워질 수 있습니다.

그림 4. Ultralytics YOLO11을 사용한 종양 감지.

MLflow 통합은 각 실험의 파라미터, 메트릭, 아티팩트를 자동으로 기록하여 이 문제를 해결합니다. 예를 들어 학습률을 변경하거나 새로운 증강 전략을 적용하면 MLflow는 이러한 변경 사항을 성능 메트릭과 함께 기록합니다. 또한 MLflow는 학습된 모델 가중치와 설정을 저장하여 성공적인 모델을 쉽게 재현하고 배포할 수 있도록 합니다.

이는 MLflow 통합이 비전 AI 애플리케이션의 실험 관리를 개선하는 한 가지 사례일 뿐입니다. 동일한 기능을 다음을 비롯한 다른 컴퓨터 비전 애플리케이션에도 적용할 수 있습니다.

• 자율주행: Ultralytics YOLO11을 사용하면 보행자, 차량, 교통 표지판을 실시간으로 감지하고 분류하여 자율주행 시스템의 안전성과 효율성을 개선할 수 있습니다.
• 리테일 분석: 객체 감지 모델은 동영상 피드를 통해 매장 내 활동을 분석하여 고객 행동을 모니터링하고, 제품 배치를 추적하며, 재고를 최적화할 수 있습니다.
• 보안 및 감시: 보안 강화를 위해 민감한 구역의 이상 징후를 감지하거나 실시간 활동을 모니터링하도록 모델을 학습시킬 수 있습니다.

MLflow 통합의 이점#

MLflow와 YOLO 모델의 통합은 머신러닝 실험을 더 쉽고 효율적으로 관리하도록 지원합니다. 주요 작업을 자동화하고 모든 항목을 체계적으로 정리하므로 모델 구축과 개선에 집중할 수 있습니다. 주요 이점은 다음과 같습니다.

• 대규모 프로젝트에 적합한 확장성: 이 플랫폼은 여러 실험과 모델을 효율적으로 처리하므로 대규모 팀과 복잡한 워크플로에 적합합니다.
• 상세한 실험 이력: 이 플랫폼은 실험의 전체 이력을 유지하므로 과거 실행을 다시 확인하고, 이전 설정을 분석하며, 앞선 결과에서 교훈을 얻을 수 있습니다.
• 비활성화 및 재설정 옵션: 필요하지 않을 때 MLflow 로깅을 쉽게 비활성화할 수 있으며, 설정을 기본값으로 재설정할 수 있어 다양한 워크플로 요구 사항에 유연하게 대응할 수 있습니다.

핵심 요점#

MLflow 통합을 사용하면 Ultralytics YOLO 실험을 더 쉽고 효율적으로 관리하고 최적화할 수 있습니다. 파라미터, 메트릭, 아티팩트와 같은 주요 세부 정보를 자동으로 추적하여 프로세스를 간소화하고 수동으로 실험을 관리하는 번거로움을 없애줍니다.

종양 감지와 같은 의료 솔루션을 개발하든, 자율주행 시스템을 개선하든, 리테일 분석을 향상하든, 이 통합 기능을 사용하면 모든 항목을 체계적으로 관리하고 재현 가능하게 유지할 수 있습니다. 직관적인 인터페이스와 유연성을 갖춘 MLflow를 통해 개발자는 더 나은 모델을 구축하고 비전 AI 애플리케이션의 혁신을 추진하는 데 집중할 수 있습니다.

AI에 대해 알아보려면 커뮤니티에 참여하고 GitHub 저장소를 확인해 보세요. 솔루션 페이지에서 제조 분야의 컴퓨터 비전 또는 자율주행차의 AI 관련 애플리케이션도 자세히 살펴볼 수 있습니다.