Weights & Biases로 Ultralytics 성능 극대화하기

마드리드 Google for Startups Campus에서 열린 YOLO Vision 2023(YV23)의 또 다른 주요 발표를 소개합니다. 이번 발표는 머신러닝 운영에 초점을 맞추었으며, Ultralytics와 Weights & Biases가 협력해 학습 워크플로를 간소화하는 방법을 다루었습니다. Weights & Biases의 머신러닝 엔지니어 Soumik Rakshit은 실험과 모델 체크포인트를 손쉽게 관리하고 실험 결과를 시각화하는 방법을 소개했습니다.

Weights & Biases의 장점: 개발자를 위한 최적의 도구#

Weights & Biases는 머신러닝 실험을 추적하고 비교하며 공유할 수 있는 개발자 중심 MLOps 플랫폼입니다. 이 플랫폼의 도구 모음은 팀이 모델을 이해하고 개선하는 데 도움을 줍니다.

Ultralytics와 W&B 통합#

Soumik은 발표에서 Ultralytics YOLOv8과 Weights & Biases의 기능을 통합하기 위해 진행한 작업을 소개했습니다. 여기에는 객체 탐지 추론 결과의 시각화가 포함되며, 자체 Ultralytics 워크플로에서 이 통합을 사용하는 방법도 보여주었습니다.

이론에서 실습으로: 실시간 시연#

Soumik은 Weights & Biases에 호스팅된 데이터셋을 사용하고 Ultralytics로 모델을 학습하는 엔드투엔드 객체 탐지 워크플로를 단계별로 소개하며 두 플랫폼의 연동 방식을 보여주었습니다.

Weights & Biases 대시보드의 주요 기능#

Weights & Biases는 학습 그래프와 메트릭을 시각화할 수 있는 대시보드도 지원합니다. 주요 기능은 다음과 같습니다.

• 실시간 지표 추적: 딥러닝 모델 학습 중 정확도, 손실, 검증 점수와 같은 주요 성능 지표를 실시간으로 모니터링하여 적시에 조정하고 모델 동작을 파악할 수 있습니다.
• 하이퍼파라미터 최적화: 자동화 도구나 수동 기법을 사용해 학습률, 배치 크기, 네트워크 아키텍처와 같은 하이퍼파라미터를 조정하여 모델 성능과 수렴을 최적화할 수 있습니다.
• 학습 진행 상황 시각화: 플롯, 그래프, 히스토그램을 통해 학습 진행 상황을 시각화하면 모델 동작을 더욱 깊이 이해할 수 있으며, 학습 역학, 과적합, 수렴 패턴에 대한 인사이트를 얻을 수 있습니다.
• 리소스 모니터링: 모델 학습 중 CPU, GPU, 메모리 사용량 등의 컴퓨팅 리소스를 추적해 리소스를 효율적으로 배분하고 학습 성능을 저해할 수 있는 병목 현상을 방지합니다.

각 기능에 관한 자세한 내용은 Ultralytics 문서의 Weights & Biases 대시보드 섹션을 참조하세요.

마무리#

Soumik의 발표에서는 Weights & Biases를 사용한 실험 추적을 통해 숙련된 ML 엔지니어든 AI를 막 시작한 사용자든 Ultralytics 학습 실행을 더 쉽게 관리하고 비교하며 공유할 수 있음을 보여주었습니다. 이미 W&B에서 YOLO 실행을 추적하고 있다면 해당 모델을 Ultralytics Platform으로 가져올 수도 있습니다.

YouTube에서 전체 발표 시청하기.