MLflow 통합을 사용하여 Ultralytics YOLO 실험 기록하기

컴퓨터 비전 프로젝트는 퍼즐과 같다고 생각할 수 있습니다. 본질적으로 데이터셋 수집, 모델 학습, 모델 배포와 같은 퍼즐 조각들을 맞추면서 기계가 시각적 데이터를 이해하도록 가르치는 것입니다. 모든 조각이 제자리에 맞으면, 이미지와 비디오를 효과적으로 분석하고 이해할 수 있는 시스템이 구축됩니다.

하지만 실제 퍼즐과 마찬가지로 컴퓨터 비전 프로젝트의 모든 부분이 간단하지는 않습니다. 실험 추적(설정, 구성, 데이터 기록 유지) 및 로깅(결과 및 성능 메트릭 캡처)과 같은 작업은 많은 시간과 노력을 필요로 할 수 있습니다. 이러한 단계들은 컴퓨터 비전 모델을 개선하고 세부 조정하는 데 핵심적이지만, 때로는 병목 현상처럼 느껴질 수 있습니다.

바로 이 지점에서 Ultralytics YOLO 모델과 MLflow 통합이 중요한 역할을 합니다. Ultralytics YOLO11과 같은 모델은 객체 탐지, 인스턴스 세그멘테이션, 이미지 분류를 포함한 광범위한 컴퓨터 비전 작업을 지원합니다. 이러한 기능들은 흥미로운 컴퓨터 비전 애플리케이션을 만들 수 있게 해줍니다. MLflow 통합과 같은 도구에 의존할 수 있다는 것은 비전 엔지니어가 세부 사항에 얽매이기보다는 모델 자체에 집중할 수 있도록 해줍니다.

특히 MLflow 통합은 학습 과정 전반에 걸쳐 다양한 메트릭, 파라미터 및 아티팩트를 기록하여 프로세스를 단순화합니다. 이 기사에서는 MLflow 통합이 어떻게 작동하는지, 어떤 이점이 있는지, 그리고 이를 사용하여 Ultralytics YOLO 워크플로우를 어떻게 간소화할 수 있는지 살펴보겠습니다.

Link to this sectionMLflow란 무엇인가요?#

MLflow는 머신 러닝의 전체 수명 주기를 간소화하고 관리하기 위해 설계된 오픈 소스 플랫폼(Databricks에서 개발)입니다. 이는 머신 러닝 모델을 개발, 배포 및 유지 관리하는 과정을 모두 포함합니다.

MLflow는 다음과 같은 핵심 구성 요소를 포함합니다:

• 실험 추적(Experiment tracking): 이 구성 요소는 각 모델 학습 실행에 대한 모델 설정, 결과, 파일과 같은 중요한 세부 정보를 기록하는 데 중점을 둡니다. 이를 통해 모델을 비교하고, 변경 사항이 성능에 어떤 영향을 미치는지 확인하며, 최적의 모델을 찾을 수 있습니다.
• 모델 레지스트리(Model registry): 이는 모델을 위한 저장 시스템과 같으며, 모델의 다양한 버전을 추적하고 테스트, 스테이징, 운영(production)과 같은 단계별로 정리할 수 있습니다.
• 프로젝트 패키징(Project packaging): MLflow를 사용하면 코드, 설정, 필요한 도구를 포함한 머신 러닝 프로젝트를 쉽게 묶을 수 있어 팀과 환경 전반에서 일관되게 공유하고 사용할 수 있습니다.
• 모델 배포(Model deployment): MLflow는 학습된 모델을 워크스테이션이나 AWS 및 Azure와 같은 클라우드 플랫폼에 신속하게 배포할 수 있는 도구를 제공하여 실전에서 즉시 사용할 수 있도록 합니다.

그림 1. MLflow의 구성 요소.

MLflow의 구성 요소들은 머신 러닝 과정을 더욱 쉽고 효율적으로 관리할 수 있게 해줍니다. 이 통합을 통해 Ultralytics는 YOLO 모델을 학습하는 동안 MLflow의 실험 추적 기능을 사용하여 파라미터, 메트릭 및 아티팩트를 기록할 수 있도록 합니다. 이를 통해 다양한 YOLO 모델 버전을 추적하고 비교하는 것이 간단해집니다.

Link to this sectionMLflow 통합으로 학습 간소화#

이제 MLflow가 무엇인지 살펴보았으니, MLflow 통합의 세부 사항과 제공하는 기능에 대해 자세히 알아보겠습니다.

MLflow 통합은 컴퓨터 비전 실험의 중요한 측면을 자동으로 추적하고 기록함으로써 학습 과정을 더욱 효율적이고 체계적으로 만들기 위해 구축되었습니다. 이는 메트릭, 파라미터, 아티팩트라는 세 가지 주요 로깅 유형을 지원합니다.

각 로깅 유형에 대해 더 자세히 살펴보겠습니다:

• 메트릭 로깅(Metrics logging): 메트릭은 학습 중 모델의 성능을 측정하는 정량적 값입니다. 예를 들어, accuracy, precision, recall 또는 loss와 같은 메트릭이 각 에폭(데이터셋을 전체적으로 한 번 통과하는 과정)이 끝날 때마다 추적됩니다.
• 파라미터 로깅(Parameter logging): 파라미터는 학습률(learning rate), 배치 사이즈(한 학습 단계에서 처리되는 샘플 수), 에폭 수와 같이 모델 학습을 시작하기 전에 정의하는 설정값입니다. 이러한 파라미터는 모델의 동작과 성능에 큰 영향을 미칩니다.
• 아티팩트 로깅(Artifacts logging): 아티팩트는 학습 중에 생성된 출력물이나 파일입니다. 여기에는 모델 가중치(학습 중 모델이 학습한 수치값), 설정 파일(학습 설정을 저장하는 파일) 및 기타 관련 데이터와 같은 필수 파일이 포함됩니다.

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

Link to this sectionMLflow 통합 작동 방식#

MLflow 통합을 활성화하는 단계별 지침은 Ultralytics 문서에서 확인할 수 있습니다. 설정이 완료되면 위에서 설명한 것처럼 학습 실험의 주요 세부 사항이 자동으로 추적되고 기록됩니다. 이는 수동 추적의 필요성을 없애고 모델을 개선하는 데 집중할 수 있도록 도와줍니다.

MLflow 통합을 사용하면 모든 학습 실행이 한곳에 저장되므로 결과를 비교하고 다양한 구성을 평가하기가 더 쉬워집니다. 기록된 결과를 비교하여 가장 성능이 좋은 구성을 식별하고 그 통찰력을 사용하여 모델을 향상할 수 있습니다. 이는 워크플로우를 더욱 효율적이고 체계적이며 재현 가능하게 만듭니다.

구체적으로 각 학습 세션은 여러 실행(runs)을 담는 컨테이너 역할을 하는 실험(experiment)으로 구성됩니다. 실험 내에서 모든 관련 실행을 보고, 성능을 나란히 비교하며, 다양한 구성에 걸친 추세를 분석할 수 있습니다.

예를 들어, Ultralytics YOLOv8으로 다양한 학습률이나 배치 사이즈를 테스트하는 경우, 관련 실행은 모두 같은 실험 아래에 그룹화되어 아래와 같이 쉽게 비교하고 분석할 수 있습니다.

그림 3. MLflow 통합을 사용하여 실험을 볼 수 있습니다.

한편, 개별 실행 수준에서 MLflow는 특정 학습 세션에 대한 자세한 통찰력을 제공합니다. 에폭별로 accuracy, loss, precision과 같은 메트릭을 확인하고, 사용된 학습 파라미터(예: 배치 사이즈 및 학습률)를 점검하며, 모델 가중치 및 설정 파일과 같은 생성된 아티팩트에 액세스할 수 있습니다. 이러한 세부 정보는 체계적인 형식으로 저장되어 모든 실행을 다시 확인하거나 재현하기가 간단합니다.

Link to this sectionMLflow 통합 선택하기: 차별화되는 이유#

Ultralytics 문서를 살펴보고 이용 가능한 통합을 탐색하다 보면 다음과 같은 의문이 들 수 있습니다. "MLflow 통합이 무엇이 다르며, 왜 워크플로우에 선택해야 할까요?"

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

MLflow가 귀하의 YOLO 프로젝트에 이상적인 선택이 될 수 있는 이유는 다음과 같습니다:

• 사용자 친화적인 인터페이스: MLflow 대시보드를 사용하면 실험을 쉽게 보고, 실행을 비교하며, 결과를 분석할 수 있어 성능이 가장 좋은 구성을 빠르게 식별하는 데 도움이 됩니다.
• 맞춤형 메트릭 로깅: 비전 엔지니어는 표준 메트릭 외에도 맞춤형 메트릭을 기록할 수 있어 프로젝트 요구 사항에 맞는 심층적인 분석이 가능합니다.
• 다중 언어 워크플로우 지원: MLflow는 Python, R, Java 등 여러 프로그래밍 언어와 호환되므로 다양한 머신 러닝 파이프라인에 통합하기 쉽습니다.

Link to this sectionYOLO11과 MLflow 통합의 실제 응용#

MLflow 통합을 언제 사용할 수 있는지 더 포괄적으로 이해하기 위해, X-레이나 CT 스캔 이미지에서 종양을 탐지하도록 YOLO11을 학습해야 하는 헬스케어 분야의 AI 애플리케이션을 고려해 보겠습니다.

이러한 시나리오에서 데이터셋은 주석이 달린 의료 영상으로 구성됩니다. 최적의 정확도를 달성하기 위해 학습률, 배치 사이즈, 이미지 전처리 기술 조정과 같은 다양한 구성을 실험해야 합니다. 헬스케어 분야는 정확성과 신뢰성이 매우 중요하므로 수동으로 각 실험을 추적하는 것은 곧 관리하기 힘들어질 수 있습니다.

그림 4. Ultralytics YOLO11을 사용하여 종양 탐지.

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

이는 MLflow 통합이 비전 AI 애플리케이션에서 실험 관리를 어떻게 향상하는지에 대한 하나의 예시일 뿐입니다. 동일한 기능이 다음을 포함한 다른 컴퓨터 비전 애플리케이션에도 적용됩니다:

• 자율 주행: YOLO11은 보행자, 차량, 교통 표지판을 실시간으로 탐지하고 분류하여 자율 주행 시스템의 안전성과 효율성을 개선하는 데 사용될 수 있습니다.
• 소매 분석(Retail analytics): 객체 탐지 모델은 비디오 피드를 통해 매장 내 활동을 분석하여 고객 행동을 모니터링하고, 제품 배치를 추적하며, 재고를 최적화할 수 있습니다.
• 보안 및 감시(Security and surveillance): 모델을 학습시켜 민감한 구역에서 이상 징후를 탐지하거나 실시간 활동을 모니터링하여 보안을 강화할 수 있습니다.

Link to this sectionMLflow 통합의 이점#

YOLO 모델과 MLflow의 통합은 머신 러닝 실험 관리를 더 쉽고 효율적으로 만듭니다. 핵심 작업을 자동화하고 모든 것을 체계적으로 유지함으로써, 모델 구축과 개선에 집중할 수 있게 해줍니다. 주요 이점은 다음과 같습니다:

• 대규모 프로젝트 확장성: 이 플랫폼은 여러 실험과 모델을 효율적으로 처리하므로 대규모 팀과 복잡한 워크플로우에 적합합니다.
• 상세한 실험 기록: 이 플랫폼은 전체 실험 이력을 유지하므로 과거 실행을 검토하고, 이전 구성을 분석하며, 초기 결과로부터 학습할 수 있습니다.
• 비활성화 및 초기화 옵션: MLflow 로깅은 필요하지 않을 때 쉽게 비활성화할 수 있으며 설정은 기본값으로 초기화할 수 있어 다양한 워크플로우 요구 사항에 맞게 조정할 수 있는 유연성을 제공합니다.

Link to this section핵심 요약#

MLflow 통합은 Ultralytics YOLO 실험을 관리하고 최적화하는 것을 더 쉽고 효율적으로 만듭니다. 파라미터, 메트릭, 아티팩트와 같은 핵심 세부 정보를 자동으로 추적함으로써 프로세스를 단순화하고 수동 실험 관리의 번거로움을 제거합니다.

종양 탐지와 같은 헬스케어 솔루션을 작업하든, 자율 주행 시스템을 개선하든, 또는 소매 분석을 강화하든 이 통합은 모든 것을 체계적이고 재현 가능하게 유지하는 데 도움을 줍니다. 직관적인 인터페이스와 유연성을 갖춘 MLflow를 통해 개발자는 더 나은 모델을 구축하고 비전 AI 애플리케이션의 혁신을 주도하는 데 집중할 수 있습니다.

저희 커뮤니티에 가입하고 GitHub 저장소를 확인하여 AI에 대해 알아보세요. 또한 솔루션 페이지에서 제조 분야의 컴퓨터 비전 또는 자율 주행 자동차의 AI에 대한 더 많은 응용 사례를 살펴볼 수 있습니다.