Amazon SageMaker 엔드포인트에 YOLO26을 배포하는 가이드#

컴퓨터 비전 모델, 예를 들어 Ultralytics의 YOLO26을 Amazon SageMaker 엔드포인트에 배포하면 다양한 머신러닝 애플리케이션을 위한 폭넓은 가능성이 열립니다. 이러한 모델을 효과적으로 활용하려면 설정, 구성, 배포 프로세스를 이해하는 것이 핵심입니다. AWS의 강력하고 확장 가능한 머신러닝 서비스인 Amazon SageMaker와 원활하게 통합하면 YOLO26의 성능을 한층 더 높일 수 있습니다.

이 가이드에서는 YOLO26 PyTorch 모델을 Amazon SageMaker 엔드포인트에 배포하는 과정을 단계별로 안내합니다. AWS 환경 준비, 모델의 적절한 구성, AWS CloudFormation 및 배포에 사용하는 AWS 클라우드 개발 키트(CDK)와 같은 도구의 사용 방법을 알아봅니다.

Amazon SageMaker#

Amazon SageMaker는 머신러닝 모델을 구축, 학습, 배포하는 과정을 간소화하는 Amazon Web Services(AWS)의 머신러닝 서비스입니다. 머신러닝 워크플로의 다양한 측면을 처리하는 폭넓은 도구를 제공합니다. 여기에는 모델 튜닝 자동화 기능, 대규모 모델 학습 옵션, 모델을 프로덕션에 간편하게 배포하는 방법이 포함됩니다. SageMaker는 널리 사용되는 머신러닝 프레임워크를 지원하여 다양한 프로젝트에 필요한 유연성을 제공합니다. 데이터 레이블링, 워크플로 관리, 성능 분석 기능도 제공합니다.

Amazon SageMaker 엔드포인트에 YOLO26 배포#

Amazon SageMaker에 YOLO26을 배포하면 관리형 환경에서 실시간 추론을 수행하고 자동 스케일링과 같은 기능을 활용할 수 있습니다. 아래 AWS 아키텍처를 확인하세요.

1단계: AWS 환경 설정#

먼저 다음 사전 요구 사항이 갖춰져 있는지 확인하세요.

• AWS 계정: 아직 AWS 계정이 없다면 가입하여 계정을 만드세요.

• 구성된 IAM 역할: Amazon SageMaker, AWS CloudFormation, Amazon S3에 필요한 권한이 있는 IAM 역할이 필요합니다. 이 역할에는 해당 서비스에 액세스할 수 있도록 허용하는 정책이 포함되어야 합니다.

• AWS CLI: 아직 설치하지 않았다면 AWS 명령줄 인터페이스(CLI)를 다운로드하여 설치하고 계정 세부 정보로 구성하세요. 설치 방법은 AWS CLI 안내를 참조하세요.

• AWS CDK: 아직 설치하지 않았다면 배포 스크립트 작성에 사용할 AWS 클라우드 개발 키트(CDK)를 설치하세요. 설치 방법은 AWS CDK 안내를 참조하세요.

• 충분한 서비스 할당량: Amazon SageMaker에서 서로 다른 두 리소스에 대한 할당량이 충분한지 확인하세요. 하나는 엔드포인트 사용을 위한 ml.m5.4xlarge이고, 다른 하나는 노트북 인스턴스 사용을 위한 ml.m5.4xlarge입니다. 각 리소스에는 최소 하나의 할당량 값이 필요합니다. 현재 할당량이 이 요건보다 낮다면 각각 증액을 요청해야 합니다. 할당량 증액은 AWS 서비스 할당량 문서에 나온 자세한 안내에 따라 요청할 수 있습니다.

2단계: YOLO26 SageMaker 저장소 복제#

다음 단계는 SageMaker에 YOLO26을 배포하는 데 필요한 리소스가 포함된 AWS 전용 저장소를 복제하는 것입니다. GitHub에서 호스팅되는 이 저장소에는 필요한 CDK 스크립트와 구성 파일이 포함되어 있습니다.

• GitHub 저장소 복제: 터미널에서 다음 명령을 실행하여 host-yolov8-on-sagemaker-endpoint 저장소를 복제하세요.

  git clone https://github.com/aws-samples/host-yolov8-on-sagemaker-endpoint.git

• 복제한 디렉터리로 이동: 디렉터리를 복제된 저장소로 변경하세요.

  cd host-yolov8-on-sagemaker-endpoint/yolov8-pytorch-cdk

3단계: CDK 환경 설정#

필요한 코드를 준비했으므로 이제 AWS CDK를 사용해 배포할 환경을 설정하세요.

• Python 가상 환경 생성: Python 환경과 종속 항목을 격리합니다. 다음을 실행하세요.

  python3 -m venv .venv

• 가상 환경 활성화:

  source .venv/bin/activate

• 종속 항목 설치: 프로젝트에 필요한 Python 종속 항목을 설치하세요.

  pip3 install -r requirements.txt

• AWS CDK 라이브러리 업그레이드: 최신 버전의 AWS CDK 라이브러리가 설치되어 있는지 확인하세요.

  pip install --upgrade aws-cdk-lib

4단계: AWS CloudFormation 스택 생성#

• CDK 애플리케이션 합성: CDK 코드에서 AWS CloudFormation 템플릿을 생성하세요.

  cdk synth

• CDK 애플리케이션 부트스트랩: CDK 배포를 위해 AWS 환경을 준비하세요.

  cdk bootstrap

• 스택 배포: 필요한 AWS 리소스를 생성하고 모델을 배포합니다.

  cdk deploy

5단계: YOLO 모델 배포#

배포 안내를 시작하기 전에 Ultralytics에서 제공하는 YOLO26 모델을 확인하세요. 프로젝트 요구 사항에 가장 적합한 모델을 선택하는 데 도움이 됩니다.

AWS CloudFormation 스택을 생성한 다음 단계는 YOLO26을 배포하는 것입니다.

• 노트북 인스턴스 열기: AWS 콘솔에서 Amazon SageMaker 서비스로 이동하세요. 대시보드에서 "Notebook Instances"를 선택한 다음 CDK 배포 스크립트로 생성된 노트북 인스턴스를 찾으세요. 노트북 인스턴스를 열어 Jupyter 환경에 액세스하세요.

• inference.py에 액세스하고 수정하기: Jupyter에서 SageMaker 노트북 인스턴스를 연 후 inference.py 파일을 찾으세요. 아래와 같이 inference.py의 output_fn 함수를 편집하고, 구문 오류가 없는지 확인한 다음 스크립트를 저장하세요.

  import json
  
  def output_fn(prediction_output, content_type):
      """Formats model outputs as JSON string, extracting attributes like boxes, masks, keypoints."""
      print("Executing output_fn from inference.py ...")
      infer = {}
      for result in prediction_output:
          if result.boxes is not None:
              infer["boxes"] = result.boxes.numpy().data.tolist()
          if result.masks is not None:
              infer["masks"] = result.masks.numpy().data.tolist()
          if result.keypoints is not None:
              infer["keypoints"] = result.keypoints.numpy().data.tolist()
          if result.obb is not None:
              infer["obb"] = result.obb.numpy().data.tolist()
          if result.probs is not None:
              infer["probs"] = result.probs.numpy().data.tolist()
      return json.dumps(infer)

• 1_DeployEndpoint.ipynb를 사용하여 엔드포인트 배포: Jupyter 환경에서 sm-notebook 디렉터리에 있는 1_DeployEndpoint.ipynb 노트북을 여세요. 노트북의 안내에 따라 셀을 실행하여 YOLO26 모델을 다운로드하고, 업데이트된 추론 코드와 함께 패키징한 뒤 Amazon S3 버킷에 업로드하세요. 노트북의 안내에 따라 YOLO26 모델용 SageMaker 엔드포인트를 생성하고 배포할 수 있습니다.

6단계: 배포 테스트#

YOLO26 모델 배포가 완료되었으므로 성능과 기능을 테스트하는 것이 중요합니다.

• 테스트 노트북 열기: 동일한 Jupyter 환경에서 sm-notebook 디렉터리에 있는 2_TestEndpoint.ipynb 노트북을 찾아 여세요.

• 테스트 노트북 실행: 노트북의 안내에 따라 배포된 SageMaker 엔드포인트를 테스트하세요. 여기에는 엔드포인트로 이미지를 전송하고 추론을 실행하는 과정이 포함됩니다. 그런 다음 아래와 같이 출력을 플롯으로 표시하여 모델의 성능과 정확도를 시각화합니다.

• 리소스 정리: 테스트 노트북은 엔드포인트와 호스팅된 모델을 정리하는 과정도 안내합니다. 비용과 리소스를 효율적으로 관리하는 데 중요한 단계이며, 특히 배포된 모델을 바로 사용할 계획이 없다면 반드시 수행해야 합니다.

7단계: 모니터링 및 관리#

테스트 후에는 배포된 모델을 지속적으로 모니터링하고 관리해야 합니다.

• Amazon CloudWatch로 모니터링: Amazon CloudWatch를 사용하여 SageMaker 엔드포인트의 성능과 상태를 정기적으로 확인하세요.

• 엔드포인트 관리: SageMaker 콘솔을 사용하여 엔드포인트를 지속적으로 관리하세요. 여기에는 필요에 따라 모델을 확장, 업데이트 또는 재배포하는 작업이 포함됩니다.

이 단계를 완료하면 Amazon SageMaker Endpoints에서 YOLO26 모델을 성공적으로 배포하고 테스트할 수 있습니다. 이 과정은 머신러닝 배포에 AWS 서비스를 활용하는 실무 경험을 제공할 뿐만 아니라, 향후 다른 고급 모델을 배포하기 위한 기반도 마련해 줍니다.

요약#

이 가이드에서는 AWS CloudFormation과 AWS Cloud Development Kit(CDK)를 사용하여 Amazon SageMaker Endpoints에 YOLO26을 배포하는 과정을 단계별로 살펴보았습니다. 이 과정에는 필요한 GitHub 저장소 복제, CDK 환경 설정, AWS 서비스를 사용한 모델 배포, SageMaker에서 성능 테스트가 포함됩니다.

자세한 기술 정보는 AWS Machine Learning Blog의 이 문서를 참조하세요. 다양한 기능에 대해 더 자세히 알아보려면 공식 Amazon SageMaker 문서도 확인해 보세요.

다양한 YOLO26 통합에 대해 자세히 알아보고 싶으신가요? 머신러닝 프로젝트를 향상할 수 있는 추가 도구와 기능을 살펴보려면 Ultralytics 통합 가이드 페이지를 방문하세요.

자주 묻는 질문#