YOLO 모델을 사용한 스레드 안전 추론#

Python 스레드 전반에서 Ultralytics YOLO 추론을 안전하게 실행하려면 여러 스레드에서 하나의 모델 인스턴스를 공유하는 대신 각 스레드 내부에 별도의 YOLO 모델을 인스턴스화해야 합니다. 하나의 모델을 공유하면 경쟁 조건이 발생하여 내부 상태가 손상되고 예측할 수 없는 결과가 생성됩니다. 이는 Python의 threading 모듈이 동일한 객체를 대상으로 스레드를 동시에 실행하기 때문입니다. 이 가이드에서는 공유가 실패하는 이유를 설명하고, 스레드별 안전한 패턴을 보여 주며, 인스턴스를 공유해야 하는 경우에 사용할 수 있는 ThreadingLocked 데코레이터를 다룹니다.

모델 공유가 실패하는 이유, 스레드 안전 패턴 또는 ThreadingLocked 데코레이터로 바로 이동합니다.

Python 스레딩 이해하기#

Python 스레드는 프로그램에서 여러 작업을 동시에 실행할 수 있도록 하는 병렬 처리의 한 형태입니다. 그러나 Python의 전역 인터프리터 잠금(GIL)으로 인해 한 번에 Python 바이트코드를 실행할 수 있는 스레드는 하나뿐입니다.

이는 제약처럼 보일 수 있지만, 특히 I/O 바운드 작업이나 YOLO의 기본 C 라이브러리에서 수행하는 작업처럼 GIL을 해제하는 작업을 사용할 때 스레드는 여전히 동시성을 제공할 수 있습니다.

공유 모델 인스턴스의 위험성#

스레드 외부에서 YOLO 모델을 인스턴스화한 후 여러 스레드에서 이 인스턴스를 공유하면 경쟁 조건이 발생할 수 있으며, 이는 동시 액세스로 인해 모델의 내부 상태가 일관성 없이 수정되는 상황입니다. 모델 또는 해당 구성 요소가 스레드 안전성을 고려하지 않고 설계된 상태를 보유하는 경우 특히 문제가 됩니다.

스레드 안전하지 않은 예시: 단일 모델 인스턴스#

Python에서 스레드를 사용할 때 동시성 문제를 일으킬 수 있는 패턴을 인식하는 것이 중요합니다. 다음과 같은 방식은 피해야 합니다. 여러 스레드에서 하나의 YOLO26 모델 인스턴스를 공유하는 것입니다.

# Unsafe: Sharing a single model instance across threads
from threading import Thread

from ultralytics import YOLO

# Instantiate the model outside the thread
shared_model = YOLO("yolo26n.pt")

def predict(image_path):
    """Predicts objects in an image using a preloaded YOLO model, take path string to image as argument."""
    results = shared_model.predict(image_path)
    # Process results

# Starting threads that share the same model instance
Thread(target=predict, args=("image1.jpg",)).start()
Thread(target=predict, args=("image2.jpg",)).start()

위 예시에서는 여러 스레드가 shared_model을 사용하므로 예측할 수 없는 결과가 발생할 수 있습니다. predict이 여러 스레드에서 동시에 실행될 수 있기 때문입니다.

안전한 예시: 스레드별 전용 인스턴스#

각 스레드가 자신의 인스턴스를 소유하고 다른 스레드와 절대 공유하지 않는다면 여러 개의 별도 모델 인스턴스를 사용해도 문제가 없습니다. 아래 인스턴스가 스레드 시작 전에 생성되었다는 점은 중요하지 않습니다. 스레드 간 하나의 인스턴스를 공유하는 것만 안전하지 않은 패턴입니다.

# Safe: each thread uses its own dedicated model instance
from threading import Thread

from ultralytics import YOLO

# Instantiate one model per thread
model_1 = YOLO("yolo26n.pt")
model_2 = YOLO("yolo26n.pt")

def predict(model, image_path):
    """Runs prediction on an image using a specified YOLO model, returning the results."""
    results = model.predict(image_path)
    # Process results

# Each thread uses a separate, dedicated model instance
Thread(target=predict, args=(model_1, "image1.jpg")).start()
Thread(target=predict, args=(model_2, "image2.jpg")).start()

각 스레드가 자체 전용 인스턴스로 작업하므로 스레드가 손상시킬 공유 모델 상태가 없습니다. 다음과 같이 각 스레드 내부에서 모델을 인스턴스화하는 방법은 인스턴스가 실수로 공유되지 않도록 보장하는 가장 간단한 방법입니다.

스레드 안전 추론#

스레드 안전 추론을 수행하려면 각 스레드 내에서 별도의 YOLO 모델을 인스턴스화해야 합니다. 이렇게 하면 각 스레드가 격리된 자체 모델 인스턴스를 가지므로 경쟁 조건의 위험이 제거됩니다.

스레드 안전 예시#

안전한 병렬 추론을 위해 각 스레드 내부에서 YOLO 모델을 인스턴스화하는 방법은 다음과 같습니다.

# Safe: Instantiating a single model inside each thread
from threading import Thread

from ultralytics import YOLO

def thread_safe_predict(image_path):
    """Predict on an image using a new YOLO model instance in a thread-safe manner; takes image path as input."""
    local_model = YOLO("yolo26n.pt")
    results = local_model.predict(image_path)
    # Process results

# Starting threads that each have their own model instance
Thread(target=thread_safe_predict, args=("image1.jpg",)).start()
Thread(target=thread_safe_predict, args=("image2.jpg",)).start()

이 예시에서는 각 스레드가 자체 YOLO 인스턴스를 생성합니다. 따라서 한 스레드가 다른 스레드의 모델 상태에 간섭할 수 없으며, 각 스레드가 다른 스레드와 예기치 않은 상호 작용 없이 안전하게 추론을 수행할 수 있습니다.

ThreadingLocked 데코레이터 사용#

Ultralytics는 함수의 스레드 안전 실행을 보장하는 데 사용할 수 있는 ThreadingLocked 데코레이터를 제공합니다. 이 데코레이터는 잠금(lock)을 사용하여 한 번에 하나의 스레드만 데코레이터가 적용된 함수를 실행하도록 보장합니다.

from ultralytics import YOLO
from ultralytics.utils import ThreadingLocked

# Create a model instance
model = YOLO("yolo26n.pt")

# Decorate the prediction function to make it thread-safe
@ThreadingLocked()
def thread_safe_predict(image_path):
    """Thread-safe prediction using a shared model instance."""
    results = model.predict(image_path)
    return results

# Now you can safely call this function from multiple threads

ThreadingLocked 데코레이터는 스레드 간에 모델 인스턴스를 공유해야 하지만 한 번에 하나의 스레드만 해당 인스턴스에 액세스하도록 보장하려는 경우에 특히 유용합니다.

결론#

Python의 threading에서 YOLO 모델을 사용할 때는 각 스레드에 전용 모델 인스턴스를 할당하고 스레드 간에 하나의 인스턴스를 공유하지 않아야 합니다. 모델을 사용하는 스레드 내부에서 모델을 인스턴스화하는 것이 이를 보장하는 가장 간단한 방법이며, 경쟁 조건을 방지하고 추론 작업의 안정성을 유지할 수 있습니다.

더 고급 시나리오에서 멀티스레드 추론 성능을 추가로 최적화하려면 multiprocessing을 사용한 프로세스 기반 병렬 처리나 전용 워커 프로세스를 사용하는 작업 큐를 고려해 보십시오.

FAQ#