Model Registry

모델 레지스트리는 머신러닝 모델의 전체 수명 주기 동안 조직, 버전 관리, 거버넌스 및 검색을 수행하기 위한 중앙 집중화된 시스템입니다. 학습된 모델 가중치와 같은 모델 파일을 각 모델의 학습, 평가, 승인 및 배포 방식을 설명하는 메타데이터와 연결합니다. 머신러닝 운영(MLOps)의 핵심 구성 요소로서, 레지스트리는 팀에 어떤 모델 버전이 프로덕션 트래픽을 처리해야 하는지 결정할 수 있는 신뢰할 수 있는 소스를 제공합니다.

모델 레지스트리의 작동 방식#

모델 등록은 학습 실행을 통해 후보 모델이 생성된 후에 시작됩니다. 레지스트리는 명명된 항목을 생성하고, 버전을 할당하며, 아티팩트를 이해하고 재현하는 데 필요한 정보를 기록합니다. 일반적인 항목에는 다음이 포함됩니다:

• 모델 아티팩트: 직렬화된 가중치, 전처리 로직, 설정 파일 또는 스토리지 위치에 대한 참조.
• 버전: 하나의 후보를 다른 후보와 구분하는 변경 불가능한 식별자.
• 지표 및 파라미터: 검증 정확도, 정밀도, 재현율, 지연 시간, 데이터셋 상세 정보, 하이퍼파라미터 및 기타 측정값.
• 계보(Lineage): 모델, 소스 코드, 학습 실행 및 데이터 간의 연결.
• 상태: 후보, 승인됨, 거부됨, 챔피언 또는 보관됨과 같은 라벨.
• 배포 정보: 현재 해당 버전을 사용 중인 환경 및 엔드포인트.

플랫폼마다 이러한 개념을 구현하는 방식이 다릅니다. MLflow 모델 레지스트리 워크플로는 등록된 모델, 버전, 별칭 및 태그를 사용하는 반면, Amazon SageMaker 모델 레지스트리는 모델 그룹, 승인 상태, 계보 및 배포 자동화를 지원합니다. 일부 시스템에서는 Snowflake 모델 서명 문서에 설명된 예상 입력 및 출력 스키마인 모델 서명을 기록하기도 합니다.

champion 또는 production과 같은 별칭은 변경 불가능한 버전 사이를 이동할 수 있는 안정적인 이름을 제공합니다. Vertex AI 모델 별칭 가이드에서 설명하는 것처럼 애플리케이션은 버전 번호를 하드코딩하지 않고도 별칭을 요청할 수 있습니다.

모델 레지스트리 대 관련 개념#

모델 레지스트리는 여러 ML 도구와 겹치는 부분이 있지만 고유한 목적을 수행합니다:

• **실험 추적**은 파라미터, 지표 및 중간 아티팩트를 포함한 학습 실행을 기록합니다. 레지스트리는 해당 실험에서 선택된 출력을 수신하고 이를 릴리스 후보로 관리합니다.
• 아티팩트 스토리지는 대용량 파일을 보관합니다. 레지스트리는 해당 파일을 직접 저장할 수도 있지만, 외부 객체 스토리지를 가리키는 메타데이터 인덱스 역할도 할 수 있습니다. Kubeflow 모델 레지스트리 아키텍처는 이러한 메타데이터 중심 설계를 보여줍니다.
• 소스 제어는 코드를 버전 관리하는 반면, 모델 레지스트리는 학습된 아티팩트와 ML 전용 메타데이터를 버전 관리합니다. GitLab 모델 레지스트리는 모델 버전을 CI/CD 작업, 로그, 지표 및 파라미터와 연결할 수 있습니다.
• **모델 배포**는 선택한 모델을 추론에 사용할 수 있도록 만듭니다. 레지스트리가 승인된 아티팩트를 식별하면 배포 시스템이 이를 실행합니다.
• **모델 모니터링**은 릴리스 후 프로덕션 동작을 관찰합니다. 모니터링 결과는 교체 버전의 평가, 재학습, 등록 및 승격을 트리거할 수 있습니다.

따라서 레지스트리는 주변의 모든 구성 요소를 대체하기보다는 실험과 프로덕션 사이의 제어 지점 역할을 합니다.

실제 애플리케이션 사례#

제조업 검사 시스템에서 엔지니어는 카메라, 자재 또는 제품 디자인이 변경될 때마다 결함 검출기를 재학습할 수 있습니다. 레지스트리는 각 모델의 데이터셋 참조, 평균 정밀도(mAP), 추론 지연 시간 및 지원되는 하드웨어 형식을 유지할 수 있습니다. 테스트를 통해 버전 12가 오탐을 늘리지 않고 긁힘 검출을 개선한다는 것이 확인되면, 승인자는 이를 승격하고 즉각적인 롤백을 위해 버전 11을 유지할 수 있습니다.

의료 영상 분석에서는 여러 팀이 종양 검출 후보를 평가할 수 있습니다. 등록을 통해 각 버전의 검증 결과, 학습 구성, 담당 소유자 및 승인 이력이 보존됩니다. 프로덕션 애플리케이션은 검토된 모델로 제한될 수 있으며, 이전 버전은 감사 및 재현성을 위해 유지됩니다. Snowflake 모델 레지스트리 거버넌스에 설명된 역할 기반 제어와 같은 기능은 민감한 아티팩트의 무단 교체나 검사를 방지하는 데 도움이 됩니다.

Ultralytics 워크플로에서의 모델 등록#

Ultralytics Platform은 데이터셋 주석 달기, 학습, 결과 비교, 내보내기, 배포 및 컴퓨터 비전 모델 모니터링을 위한 중앙 집중식 모델 관리를 제공합니다. 문서화된 Platform 모델 관리 워크플로는 업로드된 .pt 가중치 및 클라우드 또는 원격 학습을 통해 생성된 모델을 지원합니다.

다음의 문서화된 워크플로는 Ultralytics YOLO26을 로컬에서 학습시키는 동시에 결과 모델, 구성, 지표 및 로그를 명명된 Platform 프로젝트로 전송합니다:

import os

from ultralytics import YOLO

# Authenticate remote training with Ultralytics Platform
os.environ["ULTRALYTICS_API_KEY"] = "YOUR_API_KEY"

model = YOLO("yolo26n.pt")

model.train(
    data="coco8.yaml",
    epochs=3,
    project="username/model-registry-demo",
    name="candidate-001",
)

프로젝트 및 실행 이름을 통해 관련 모델 중에서 후보를 쉽게 찾을 수 있습니다. 팀은 이를 평가하고, 추가 실험 로깅을 위해 Ultralytics MLflow 통합을 사용하거나, 등록된 모델이 특정 클라우드 또는 에지 하드웨어에서 실행되어야 할 때 YOLO 모델 내보내기를 적용할 수 있습니다.

실용적인 레지스트리 지침#

등록된 모든 버전은 변경 불가능한 것으로 취급해야 합니다. 배포에는 사람이 읽기 쉬운 별칭을 사용하고, 검증 증거를 유지하며, 명확한 승격 요구사항을 정의하십시오. 시맨틱 버저닝(Semantic Versioning)을 기반으로 하는 명명 정책은 호환성 변경 사항을 전달할 수 있지만, 자동으로 증가하는 버전도 효과적입니다.

가장 중요하게는, 설명이 없는 가중치 파일보다는 완전한 모델 패키지를 등록하십시오. 전처리 규칙, 클래스 이름, 입력 스키마, 종속성 또는 데이터셋 참조가 누락되면 겉보기에는 유효해 보이는 모델을 재현하거나 프로덕션에 안전하게 배포하는 것이 불가능해질 수 있습니다. 액세스 제어, 자동화된 테스트, 승인 게이트, 감사 로그 및 롤백 절차는 모델 레지스트리를 단순한 파일 카탈로그에서 신뢰할 수 있는 프로덕션 보호막으로 탈바꿈시켜 줍니다.