MLflow 통합을 사용하여 Ultralytics YOLO 실험을 로깅하세요

컴퓨터 비전 프로젝트는 퍼즐과 같다고 생각할 수 있습니다. 기본적으로 데이터셋 수집, 모델 학습, 배포와 같은 퍼즐 조각을 맞추어 기계가 시각 데이터를 이해하도록 가르칩니다. 모든 요소가 맞아떨어지면 이미지와 동영상을 효과적으로 분석하고 이해할 수 있는 시스템을 구축할 수 있습니다.

하지만 실제 퍼즐과 마찬가지로 컴퓨터 비전 프로젝트의 모든 부분이 간단한 것은 아닙니다. 실험 추적(설정, 구성 및 데이터를 기록하는 작업)과 로깅(결과 및 성능 지표를 수집하는 작업)과 같은 태스크에는 많은 시간과 노력이 필요할 수 있습니다. 이러한 단계는 컴퓨터 비전 모델을 개선하고 고도화하는 데 핵심적이지만, 때로는 병목 현상처럼 느껴질 수 있습니다.

이때 Ultralytics YOLO 모델과 MLflow 통합이 중요한 역할을 합니다. Ultralytics YOLO11과 같은 모델은 객체 감지, 인스턴스 세그멘테이션, 이미지 분류를 비롯한 다양한 컴퓨터 비전 태스크를 지원합니다. 이러한 기능을 활용하면 흥미로운 컴퓨터 비전 애플리케이션을 만들 수 있습니다. MLflow 통합과 같은 통합 기능을 활용하면 비전 엔지니어는 세부 사항에 얽매이기보다 모델 자체에 집중할 수 있습니다.

특히 MLflow 통합은 학습 과정 전반에서 다양한 지표, 파라미터 및 아티팩트를 로깅하여 프로세스를 간소화합니다. 이 글에서는 MLflow 통합의 작동 방식과 이점, 그리고 이를 활용하여 Ultralytics YOLO 워크플로를 간소화하는 방법을 살펴봅니다.

MLflow란 무엇인가요?#

MLflow는 전체 머신 러닝 수명 주기를 간소화하고 관리하도록 설계된 오픈 소스 플랫폼(Databricks에서 개발)입니다. 머신 러닝 모델의 개발, 배포 및 유지 관리 프로세스를 포괄합니다.

MLflow에는 다음과 같은 주요 구성 요소가 포함됩니다.

• 실험 추적: 이 구성 요소는 각 모델 학습 실행에 대한 모델 설정, 결과 및 파일과 같은 중요한 세부 정보를 기록하는 데 중점을 둡니다. 이를 통해 모델을 비교하고, 변경 사항이 성능에 미치는 영향을 확인하며, 가장 우수한 모델을 찾을 수 있습니다.
• 모델 레지스트리: 모델을 저장하는 시스템과 같으며, 다양한 버전을 추적하고 테스트, 스테이징, 프로덕션과 같은 단계별로 구성할 수 있습니다.
• 프로젝트 패키징: MLflow를 사용하면 코드, 설정 및 필요한 도구를 포함한 머신 러닝 프로젝트를 쉽게 번들로 묶을 수 있으므로 여러 팀과 환경에서 일관되게 공유하고 사용할 수 있습니다.
• 모델 배포: MLflow는 학습된 모델을 워크스테이션이나 AWS 및 Azure와 같은 클라우드 플랫폼에 빠르게 배포할 수 있는 도구를 제공하여 실제 사용이 가능한 상태로 만들어 줍니다.

그림 1. MLflow의 구성 요소입니다.

MLflow의 구성 요소는 머신 러닝 프로세스를 더 쉽고 효율적으로 관리할 수 있도록 합니다. 이 통합을 통해 Ultralytics는 MLflow의 실험 추적 기능을 사용하여 YOLO 모델 학습 중에 파라미터, 지표 및 아티팩트를 로깅할 수 있도록 지원합니다. 이를 통해 다양한 YOLO 모델 버전을 간편하게 추적하고 비교할 수 있습니다.

MLflow 통합으로 학습 간소화#

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

MLflow 통합은 컴퓨터 비전 실험의 중요한 측면을 자동으로 추적하고 로깅하여 학습 프로세스를 더욱 효율적이고 체계적으로 만들도록 설계되었습니다. 이 통합은 지표, 파라미터 및 아티팩트라는 세 가지 주요 유형의 로깅을 지원합니다.

각 로깅 유형을 자세히 살펴보겠습니다.

• 지표 로깅: 지표는 학습 중 모델의 성능을 측정하는 정량적 값입니다. 예를 들어 정확도, 정밀도, 재현율 또는 손실과 같은 지표가 각 에포크(데이터셋을 한 번 모두 처리하는 과정)의 끝에 추적됩니다.
• 파라미터 로깅: 파라미터는 모델 학습이 시작되기 전에 정의하는 설정으로, 학습률, 배치 크기(한 번의 학습 단계에서 처리되는 샘플 수), 에포크 수 등이 이에 해당합니다. 이러한 파라미터는 모델의 동작과 성능에 큰 영향을 미칩니다.
• 아티팩트 로깅: 아티팩트는 학습 중에 생성되는 출력 또는 파일입니다. 여기에는 모델 가중치(학습 중 모델이 학습하는 수치 값), 구성 파일(학습 설정을 저장하는 파일) 및 기타 관련 데이터와 같은 필수 파일이 포함됩니다.

그림 2. MLflow 통합의 주요 로깅 기능입니다. 이미지 작성자: 저자.

MLflow 통합의 작동 방식#

Ultralytics 문서에서 MLflow 통합을 활성화하는 단계별 지침을 확인할 수 있습니다. 설정이 완료되면 위에서 설명한 것처럼 통합 기능이 학습 실험의 주요 세부 정보를 자동으로 추적하고 로깅합니다. 이를 통해 수동으로 추적할 필요가 없어지고 모델 개선에 집중할 수 있습니다.

MLflow 통합을 사용하면 모든 학습 실행이 한곳에 저장되므로 결과를 비교하고 다양한 구성을 평가하기가 더 쉬워집니다. 로깅된 결과를 비교하여 성능이 가장 우수한 구성을 식별하고, 이러한 인사이트를 활용해 모델을 개선할 수 있습니다. 이를 통해 워크플로를 더욱 효율적이고 체계적으로 문서화하며 재현 가능하게 유지할 수 있습니다.

구체적으로 각 학습 세션은 여러 실행을 담는 컨테이너 역할을 하는 실험으로 구성됩니다. 하나의 실험 내에서 연결된 모든 실행을 확인하고, 성능을 나란히 비교하며, 다양한 구성 전반의 추세를 분석할 수 있습니다.

예를 들어 Ultralytics YOLOv8에서 다양한 학습률 또는 배치 크기를 테스트하는 경우, 아래와 같이 관련된 모든 실행이 동일한 실험 아래에 그룹화되어 쉽게 비교하고 분석할 수 있습니다.

그림 3. MLflow 통합을 사용하여 실험을 확인할 수 있습니다.

한편 개별 실행 수준에서 MLflow는 특정 학습 세션에 대한 자세한 인사이트를 제공합니다. 에포크별 정확도, 손실, 정밀도와 같은 지표를 확인하고, 사용된 학습 파라미터(예: 배치 크기 및 학습률)를 점검하며, 모델 가중치와 구성 파일 같은 생성된 아티팩트에 액세스할 수 있습니다. 이러한 세부 정보는 체계적인 형식으로 저장되므로 모든 실행을 쉽게 다시 확인하거나 재현할 수 있습니다.

MLflow 통합 선택하기: 차별화되는 이유#

Ultralytics 문서를 살펴보고 제공되는 통합 기능을 확인하다 보면 다음과 같은 질문이 생길 수 있습니다. MLflow 통합은 무엇이 다르며, 내 워크플로에 이를 선택해야 하는 이유는 무엇일까요?

TensorBoard와 같은 통합 기능도 지표를 추적하고 결과를 시각화하는 도구를 제공하므로, MLflow 통합을 돋보이게 하는 고유한 특성을 이해하는 것이 중요합니다.

MLflow가 YOLO 프로젝트에 이상적인 선택이 될 수 있는 이유는 다음과 같습니다.

• 사용자 친화적인 인터페이스: MLflow 대시보드를 사용하면 실험을 확인하고 실행을 비교하며 결과를 분석하기 쉬워 성능이 가장 우수한 구성을 빠르게 식별할 수 있습니다.
• 사용자 지정 지표 로깅: 비전 엔지니어는 표준 지표 외에 사용자 지정 지표도 로깅할 수 있으므로 프로젝트 요구 사항에 맞춘 더욱 심층적인 분석이 가능합니다.
• 다중 언어 워크플로 지원: MLflow는 Python, R, Java를 비롯한 여러 프로그래밍 언어와 호환되므로 다양한 머신 러닝 파이프라인에 쉽게 통합할 수 있습니다.

Ultralytics YOLO11 및 MLflow 통합의 실제 적용 사례#

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

이러한 시나리오에서 데이터셋은 주석이 추가된 의료 이미지로 구성됩니다. 최적의 정확도를 달성하려면 학습률, 배치 크기, 이미지 전처리 기법 조정과 같은 다양한 구성을 실험해야 합니다. 의료 분야는 위험 부담이 크고 정밀도와 신뢰성이 매우 중요하므로 각 실험을 수동으로 추적하는 일은 빠르게 관리하기 어려워질 수 있습니다.

그림 4. Ultralytics YOLO11을 사용한 종양 감지입니다.

MLflow 통합은 모든 실험의 파라미터, 지표 및 아티팩트를 자동으로 로깅하여 이러한 문제를 해결합니다. 예를 들어 학습률을 수정하거나 새로운 증강 전략을 적용하면 MLflow는 이러한 변경 사항을 성능 지표와 함께 기록합니다. 또한 MLflow는 학습된 모델 가중치와 구성을 저장하여 성능이 우수한 모델을 쉽게 재현하고 배포할 수 있도록 합니다.

이는 MLflow 통합이 비전 AI 애플리케이션의 실험 관리를 개선하는 한 가지 예에 불과합니다. 동일한 기능을 다음과 같은 다른 컴퓨터 비전 애플리케이션에도 적용할 수 있습니다.

• 자율 주행: Ultralytics YOLO11을 사용하여 보행자, 차량 및 교통 표지판을 실시간으로 감지하고 분류함으로써 자율 주행 시스템의 안전성과 효율성을 향상할 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 학습할 수 있습니다.

MLflow 통합의 이점#

YOLO 모델과 MLflow 통합을 사용하면 머신 러닝 실험을 더 쉽고 효율적으로 관리할 수 있습니다. 주요 작업을 자동화하고 모든 것을 체계적으로 정리하여 모델 구축과 개선에 집중할 수 있도록 합니다. 주요 이점은 다음과 같습니다.

• 대규모 프로젝트로 확장 가능: 플랫폼이 여러 실험과 모델을 효율적으로 처리하므로 대규모 팀과 복잡한 워크플로에 적합합니다.
• 상세한 실험 기록: 플랫폼이 실험의 전체 기록을 유지하므로 이전 실행을 다시 확인하고, 과거 구성을 분석하며, 이전 결과에서 학습할 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, 지표 및 아티팩트와 같은 주요 세부 정보를 자동으로 추적하여 프로세스를 간소화하고 수동 실험 관리의 번거로움을 없애 줍니다.

종양 감지와 같은 의료 솔루션을 개발하거나, 자율 주행 시스템을 개선하거나, 리테일 분석을 고도화하는 경우에도 이 통합은 모든 요소를 체계적이고 재현 가능하게 유지하는 데 도움이 됩니다. 직관적인 인터페이스와 유연성을 갖춘 MLflow를 사용하면 개발자는 더 나은 모델 구축과 비전 AI 애플리케이션의 혁신에 집중할 수 있습니다.

커뮤니티에 참여하고 GitHub 저장소를 확인하여 AI에 대해 알아보세요. 또한 솔루션 페이지에서 제조 분야의 컴퓨터 비전 또는 자율 주행 차량의 AI와 관련된 더 많은 애플리케이션을 살펴볼 수 있습니다.