Hugging Face의 오픈 소스 도구로 CV 프로젝트 지원하기

적절한 알고리즘을 선택하는 것은 영향력 있는 컴퓨터 비전 솔루션을 구축하는 과정의 일부일 뿐입니다. AI 엔지니어는 대규모 데이터셋을 다루고 특정 작업에 맞게 모델을 미세 조정하며 실제 환경에서 성능을 발휘하도록 AI 시스템을 최적화하는 경우가 많습니다. AI 애플리케이션의 도입이 빨라지면서 이러한 프로세스를 간소화하는 도구에 대한 수요도 증가하고 있습니다.

Ultralytics가 주최하는 연례 하이브리드 행사인 YOLO Vision 2024 (YV24)에서는 AI 전문가와 기술 애호가가 모여 컴퓨터 비전 분야의 최신 혁신을 살펴보았습니다. 이 행사에서는 AI 애플리케이션 개발 속도를 높이는 방법 등 다양한 주제에 관한 논의가 이루어졌습니다.

행사의 주요 하이라이트 중 하나는 모델 학습, 최적화, 배포를 간소화하는 오픈 소스 AI 플랫폼인 Hugging Face에 관한 기조연설이었습니다. Hugging Face의 머신러닝 엔지니어인 Pavel Iakubovskii는 이미지 속 객체 감지, 이미지를 여러 그룹으로 분류, 특정 예시로 사전 학습하지 않고 예측을 수행하는 제로샷 학습 등 컴퓨터 비전 작업의 워크플로를 도구가 어떻게 개선하는지 소개했습니다.

Hugging Face Hub는 Ultralytics YOLO11과 같은 다양한 AI 및 컴퓨터 비전 모델을 호스팅하고 이에 대한 액세스를 제공합니다. 이 글에서는 Pavel의 발표에서 얻은 주요 내용을 되짚어보고 개발자가 Hugging Face의 오픈 소스 도구를 활용해 AI 모델을 빠르게 구축하고 배포하는 방법을 살펴보겠습니다.

그림 1. YV24 무대 위의 Pavel.

Hugging Face Hub를 활용한 더 빠른 AI 개발#

Pavel은 다양한 애플리케이션을 위한 사전 학습 모델을 제공하는 오픈 소스 AI 플랫폼으로 Hugging Face를 소개하며 발표를 시작했습니다. 이 모델은 자연어 처리(NLP), 컴퓨터 비전, 멀티모달 AI를 비롯한 다양한 AI 분야에 맞게 설계되어 있으며, 시스템이 텍스트, 이미지, 오디오 등 여러 유형의 데이터를 처리할 수 있도록 지원합니다.

Pavel은 Hugging Face Hub에 현재 100만 개가 넘는 모델이 호스팅되고 있으며, 개발자는 자신의 프로젝트에 적합한 모델을 쉽게 찾을 수 있다고 언급했습니다. Hugging Face는 모델 학습, 파인튜닝, 배포를 위한 도구를 제공해 AI 개발을 간소화하는 것을 목표로 합니다. 개발자가 다양한 모델을 실험할 수 있으면 AI를 실제 애플리케이션에 통합하는 과정이 간소화됩니다.

Hugging Face는 처음에 NLP로 알려졌지만 이후 컴퓨터 비전과 멀티모달 AI 분야로 확장되어 개발자가 더 폭넓은 AI 작업을 수행할 수 있게 되었습니다. 또한 개발자가 포럼, Discord, GitHub를 통해 협업하고 인사이트를 공유하며 지원을 받을 수 있는 활발한 커뮤니티를 보유하고 있습니다.

컴퓨터 비전 애플리케이션을 위한 Hugging Face 모델 살펴보기#

Pavel은 이어서 Hugging Face 도구를 활용해 컴퓨터 비전 애플리케이션을 더 쉽게 구축하는 방법을 자세히 설명했습니다. 개발자는 이러한 도구를 이미지 분류, 객체 감지, 비전-언어 애플리케이션과 같은 작업에 사용할 수 있습니다.

또한 그는 이러한 컴퓨터 비전 작업 중 상당수를 Hugging Face Hub에서 제공하는 사전 학습 모델로 처리할 수 있어 처음부터 학습할 필요가 줄고 시간을 절약할 수 있다고 강조했습니다. 실제로 Hugging Face는 음식 분류, 반려동물 분류, 감정 감지용 모델을 포함해 이미지 분류 작업을 위한 사전 학습 모델을 13,000개 이상 제공합니다.

그는 이러한 모델의 접근성을 강조하며 “프로젝트를 위해 모델을 직접 학습할 필요조차 없을 수 있습니다. 커뮤니티의 누군가가 이미 학습시킨 모델을 Hub에서 찾을 수도 있습니다.”라고 말했습니다.

객체 감지를 위한 Hugging Face 모델#

다른 예를 들며 Pavel은 컴퓨터 비전의 핵심 기능인 객체 탐지에 Hugging Face가 어떻게 도움을 줄 수 있는지 자세히 설명했습니다. 객체 탐지는 이미지 내 객체를 식별하고 위치를 찾는 데 사용됩니다. 라벨이 지정된 데이터가 제한적이어도 Hugging Face Hub에서 제공하는 사전 학습 모델을 사용하면 객체 탐지를 더 효율적으로 수행할 수 있습니다.

또한 Hugging Face에서 찾아볼 수 있는 이 작업용 모델 몇 가지를 간략히 소개했습니다:

• 실시간 객체 탐지 모델: 속도가 중요한 동적 환경에서는 실시간 객체 탐지 기능을 제공하는 Real-Time Detection Transformer(RT-DETR)와 같은 모델이 적합합니다. RT-DETR은 COCO 데이터셋으로 학습되며, 다중 스케일 특징을 효율적으로 처리하도록 설계되어 시간에 민감한 애플리케이션에 적합합니다.
• 비전-언어 모델: 이 모델은 이미지와 텍스트 처리를 결합해 AI 시스템이 이미지와 설명을 연결하거나 학습 데이터에 없는 객체를 인식할 수 있도록 합니다. 예를 들어 CLIP and SigLIP는 텍스트와 시각 자료를 연결해 이미지 검색을 개선하고, 문맥을 이해해 새로운 객체를 식별하는 AI 솔루션을 구현합니다.
• 제로샷 객체 탐지 모델: 이미지와 텍스트의 관계를 이해해 이전에 본 적 없는 객체를 식별할 수 있습니다. OWL-ViT, Grounding DINO, OmDet 등이 있으며, 이 모델은 제로샷 학습을 사용해 레이블이 지정된 학습 데이터 없이도 새로운 객체를 탐지합니다. Ultralytics VLM 리더보드는 이와 같은 개방형 어휘 탐지기를 실제 객체 탐지 데이터셋에서 비교합니다.

Hugging Face 모델 사용 방법#

이어서 Pavel은 Hugging Face 모델을 직접 사용해 보는 방법으로 주제를 전환하고, 개발자가 모델 탐색, 빠른 테스트, 추가 커스터마이징의 세 가지 방식으로 모델을 활용할 수 있다고 설명했습니다.

그는 개발자가 코드를 작성하지 않고 Hugging Face Hub에서 직접 모델을 살펴볼 수 있는 방법을 시연했습니다. 대화형 인터페이스를 통해 모델을 즉시 테스트하기 쉽습니다. Pavel은 "코드를 한 줄도 작성하거나 컴퓨터에 모델을 다운로드하지 않고도 사용해 볼 수 있습니다."라고 덧붙였습니다. 일부 모델은 용량이 크므로 Hub에서 실행하면 저장 공간 및 처리 성능의 제약을 피할 수 있습니다.

그림 2. Hugging Face 모델 사용 방법.

또한 Hugging Face Inference API를 사용하면 간단한 API 호출로 AI 모델을 실행할 수 있습니다. 복잡한 설정 없이 빠르게 테스트하고, 개념 증명 프로젝트를 진행하고, 신속하게 프로토타입을 제작하는 데 유용합니다.

고급 활용 사례의 경우 개발자는 오픈 소스 도구인 Hugging Face Transformers 프레임워크를 사용할 수 있습니다. 이 프레임워크는 PyTorch와 TensorFlow를 모두 지원하면서 텍스트, 비전, 오디오 작업을 위한 사전 학습 모델을 제공합니다. Pavel은 코드 두 줄만으로 개발자가 Hugging Face Hub에서 모델을 가져와 이미지 프로세서와 같은 전처리 도구에 연결하고, Vision AI 애플리케이션에서 이미지 데이터를 분석할 수 있다고 설명했습니다.

Hugging Face로 AI 워크플로 최적화하기#

이어서 Pavel은 Hugging Face가 AI 워크플로를 간소화하는 방법을 설명했습니다. 그가 다룬 핵심 주제 중 하나는 Transformer의 어텐션 메커니즘 최적화였습니다. 어텐션 메커니즘은 입력 데이터에서 가장 관련성 높은 부분에 집중하도록 돕는 딥러닝 모델의 핵심 기능입니다. 이를 통해 언어 처리와 컴퓨터 비전 작업의 정확도가 향상됩니다. 그러나 이 과정에는 많은 리소스가 필요할 수 있습니다.

어텐션 메커니즘을 최적화하면 메모리 사용량을 크게 줄이면서 속도를 높일 수 있습니다. Pavel은 "예를 들어, 더 효율적인 어텐션 구현으로 전환하면 최대 1.8배 더 빠른 성능을 얻을 수 있습니다."라고 말했습니다.

Hugging Face는 Transformers 프레임워크 내에서 더 효율적인 어텐션 구현을 기본적으로 지원합니다. 개발자는 모델을 로드할 때 대체 어텐션 구현을 지정하기만 하면 이러한 최적화를 활성화할 수 있습니다.

Optimum 및 Torch Compile#

그는 정확도에 큰 영향을 주지 않으면서 사용하는 숫자의 정밀도를 낮춰 AI 모델의 크기를 줄이는 기법인 양자화도 다뤘습니다. 이 기법을 사용하면 모델의 메모리 사용량을 줄이고 실행 속도를 높일 수 있어, 스마트폰이나 임베디드 시스템처럼 처리 성능이 제한된 기기에 더 적합해집니다.

효율성을 더욱 높이기 위해 Pavel은 모델을 최적화하고 배포하도록 설계된 도구 모음인 Hugging Face Optimum 라이브러리를 소개했습니다. 개발자는 코드 몇 줄만으로 양자화 기법을 적용하고 모델을 ONNX (개방형 신경망 교환)과 같은 효율적인 형식으로 변환하여 클라우드 서버와 엣지 디바이스를 비롯한 다양한 하드웨어에서 원활하게 실행할 수 있습니다.

그림 3. Pavel이 Optimum 라이브러리와 기능에 대해 설명했습니다.

마지막으로 Pavel은 AI 모델의 데이터 처리 방식을 최적화해 더 빠르고 효율적으로 실행되도록 하는 PyTorch 기능인 Torch Compile의 이점을 언급했습니다. Hugging Face는 Transformers 및 Optimum 라이브러리에 Torch Compile을 통합하여 개발자가 코드를 최소한으로 변경하고도 이러한 성능 개선 효과를 활용할 수 있게 합니다.

Torch Compile은 모델의 연산 구조를 최적화하여 추론 속도를 높이고 정확도나 품질을 저하시키지 않으면서 초당 프레임 수를 29에서 150으로 늘릴 수 있습니다.

Hugging Face 도구로 모델 배포하기#

이어서 Pavel은 적절한 모델을 선택하고 개발에 가장 적합한 접근 방식을 결정한 뒤, 개발자가 Hugging Face 도구를 사용해 Vision AI 모델을 확장하고 배포하는 방법을 간략히 다뤘습니다.

예를 들어 개발자는 Gradio와 Streamlit을 사용해 대화형 AI 애플리케이션을 배포할 수 있습니다. Gradio를 사용하면 개발자가 머신러닝 모델용 웹 인터페이스를 만들 수 있고, Streamlit을 사용하면 간단한 Python 스크립트로 대화형 데이터 애플리케이션을 구축할 수 있습니다.

Pavel은 Hugging Face에서 제공하는 가이드, 학습 노트북, 예제 스크립트를 언급하며 “모든 것을 처음부터 작성할 필요는 없습니다.”라고 강조했습니다. 이러한 리소스는 모든 것을 처음부터 구축하지 않고도 개발자가 빠르게 시작하는 데 도움이 됩니다.

그림 4. YV24에서 Hugging Face의 기능에 대해 이야기하는 Pavel.

Hugging Face Hub의 이점#

기조연설을 마무리하며 Pavel은 Hugging Face Hub 사용의 장점을 요약했습니다. 그는 이 플랫폼이 모델 관리와 협업을 간소화한다는 점을 강조했습니다. 또한 초보자와 전문가 모두 AI 모델을 이해하고 구현하는 데 도움이 되는 가이드, 노트북, 튜토리얼을 이용할 수 있다는 점도 언급했습니다.

그는 "Hub에는 이미 멋진 스페이스가 많이 있습니다. 비슷한 스페이스를 찾아 공유된 코드를 복제하고, 몇 줄을 수정하고, 모델을 자신의 모델로 바꾸고, 다시 푸시하면 됩니다."라고 설명하며 개발자에게 플랫폼의 유연성을 활용하도록 권했습니다.

핵심 요점#

YV24 강연에서 Pavel은 Hugging Face가 AI 모델 학습, 최적화, 배포를 지원하는 도구를 제공한다고 소개했습니다. 예를 들어 Transformers, Optimum, Torch Compile과 같은 혁신적인 도구는 개발자가 모델 성능을 향상하는 데 도움이 됩니다.

AI 모델의 효율성이 높아지면서 양자화와 엣지 배포의 발전으로 리소스가 제한된 기기에서도 모델을 더 쉽게 실행할 수 있게 되었습니다. 이러한 개선 사항은 Hugging Face와 같은 도구 및 Ultralytics YOLO11과 같은 고급 컴퓨터 비전 모델과 결합되어 확장 가능하고 고성능인 Vision AI 애플리케이션을 구축하는 데 핵심적인 역할을 합니다.

성장하는 커뮤니티에 참여해 보세요! AI에 대해 알아보려면 GitHub 저장소를 살펴보고, Vision AI 프로젝트를 시작하려면 YOLO 라이선스를 확인하세요. 헬스케어 분야의 컴퓨터 비전이나 농업 분야의 컴퓨터 비전과 같은 혁신에 관심이 있으신가요? 솔루션 페이지를 방문해 더 알아보세요!