ClearML을 사용한 YOLO26 학습: MLOps 워크플로 간소화#

MLOps는 실제 환경에서 머신러닝 모델을 생성하는 단계와 배포하는 단계 사이의 간극을 해소합니다. 효율적인 배포, 확장성, 지속적인 관리에 중점을 두어 실제 애플리케이션에서 모델이 우수한 성능을 발휘하도록 합니다.

Ultralytics YOLO26은 ClearML과 원활하게 통합되어 객체 감지 모델의 학습과 관리를 간소화하고 개선합니다. 이 가이드에서는 ClearML 설정, 실험 관리, 모델 관리 자동화, 효과적인 협업을 자세히 다루며 통합 과정을 안내합니다.

ClearML#

ClearML은 머신러닝 워크플로를 자동화, 모니터링, 오케스트레이션하도록 설계된 혁신적인 오픈 소스 MLOps 플랫폼입니다. 주요 기능으로는 완전한 실험 재현성을 위한 모든 학습 및 추론 데이터의 자동 로깅, 간편한 데이터 시각화와 분석을 위한 직관적인 웹 UI, 고급 하이퍼파라미터 최적화 알고리즘, 다양한 플랫폼에 효율적으로 배포하기 위한 강력한 모델 관리가 있습니다.

ClearML을 사용한 YOLO26 학습#

YOLO26을 ClearML과 통합하면 머신러닝 워크플로에 자동화와 효율성을 더해 학습 프로세스를 개선할 수 있습니다.

설치#

필수 패키지를 설치하려면 다음을 실행하세요:

# Install the required packages for YOLO26 and ClearML
pip install ultralytics clearml

설치 과정에 관한 자세한 안내와 모범 사례는 YOLO26 설치 가이드를 확인하세요. YOLO26 필수 패키지를 설치하는 중 문제가 발생하면 해결 방법과 팁은 일반적인 문제 가이드를 참조하세요.

ClearML 구성#

필요한 패키지를 설치한 다음 단계는 ClearML SDK를 초기화하고 구성하는 것입니다. 이 과정에는 ClearML 계정을 설정하고 개발 환경과 ClearML 서버 간의 원활한 연결에 필요한 자격 증명을 발급받는 작업이 포함됩니다.

먼저 환경에서 ClearML SDK를 초기화합니다. clearml-init 명령은 설정 프로세스를 시작하고 필요한 자격 증명을 입력하라는 메시지를 표시합니다.

# Initialize your ClearML SDK setup process
clearml-init

이 명령을 실행한 후 ClearML 설정 페이지를 방문하세요. 오른쪽 상단으로 이동해 "Settings"를 선택합니다. "Workspace" 섹션으로 이동해 "Create new credentials"를 클릭합니다. "Create Credentials" 팝업에 표시된 자격 증명을 사용해 안내에 따라 설정을 완료하세요. ClearML을 Jupyter Notebook에서 구성하는지, 로컬 Python 환경에서 구성하는지에 따라 절차가 달라집니다.

사용법#

사용 안내를 자세히 살펴보기 전에 Ultralytics에서 제공하는 다양한 YOLO26 모델을 확인하세요. 이를 통해 프로젝트 요구 사항에 가장 적합한 모델을 선택할 수 있습니다.

from ultralytics import YOLO

# 콜백은 ClearML 작업을 자동으로 생성하고 연결합니다
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

코드 이해하기#

ClearML을 설치하고 구성하면 콜백이 기본적으로 활성화됩니다. 학습이 시작되면 작업을 생성하고, YOLO의 project 및 name 인수를 ClearML 프로젝트 및 작업 이름으로 사용하며, 학습 인수를 자동으로 연결합니다. 통합을 비활성화하려면 yolo settings clearml=False를 실행하세요. 학습 옵션과 모범 사례는 YOLO26 모델 학습 가이드를 참조하세요.

출력 이해하기#

위의 사용 코드 스니펫을 실행하면 다음과 같은 출력이 표시됩니다:

• 새 ClearML 작업이 생성되었다는 확인 메시지와 고유 ID가 표시됩니다.
• 스크립트 코드가 저장되었다는 정보 메시지가 표시되며, 코드 실행이 ClearML에서 추적되고 있음을 나타냅니다.
• 학습 진행 상황을 모니터링하고 자세한 로그를 확인할 수 있는 ClearML 결과 페이지의 URL 링크가 표시됩니다.
• YOLO26 모델과 지정된 데이터 세트의 다운로드 진행 상황이 표시된 후 모델 아키텍처와 학습 구성의 요약이 표시됩니다.
• TensorBoard, 자동 혼합 정밀도(AMP), 데이터 세트 준비 등 다양한 학습 구성 요소의 초기화 메시지가 표시됩니다.
• 마지막으로 학습 프로세스가 시작되고, 지정된 데이터 세트로 모델을 학습하는 동안 진행 상황이 업데이트됩니다. 학습 중 사용되는 성능 지표를 자세히 알아보려면 성능 지표 가이드를 읽어보세요.

ClearML 결과 페이지 보기#

사용 코드 스니펫의 출력에 표시된 ClearML 결과 페이지 URL 링크를 클릭하면 모델 학습 과정을 종합적으로 확인할 수 있습니다.

ClearML 결과 페이지의 주요 기능#

• 실시간 지표 추적

  • 손실, 정확도, 검증 점수와 같은 주요 지표를 발생하는 대로 추적합니다.
  • 모델 성능을 적시에 조정할 수 있도록 즉각적인 피드백을 제공합니다.

• 실험 비교

  • 서로 다른 학습 실행 결과를 나란히 비교합니다.
  • 하이퍼파라미터 튜닝을 수행하고 가장 효과적인 모델을 식별하는 데 필수적입니다.

• 상세 로그 및 출력

  • 종합적인 로그, 지표의 그래픽 표현, 콘솔 출력을 확인할 수 있습니다.
  • 모델 동작과 문제 해결 과정을 더 깊이 이해할 수 있습니다.

• 리소스 사용량 모니터링

  • CPU, GPU, 메모리를 비롯한 컴퓨팅 리소스의 사용량을 모니터링합니다.
  • 학습 효율과 비용 최적화에 핵심적인 기능입니다.

• 모델 아티팩트 관리

  • 학습된 모델 및 체크포인트와 같은 모델 아티팩트를 확인하고, 다운로드하고, 공유할 수 있습니다.
  • 협업을 강화하고 모델 배포 및 공유를 간소화합니다.

ClearML 결과 페이지의 화면을 시각적으로 살펴보려면 아래 동영상을 시청하세요:

ClearML의 고급 기능#

ClearML은 MLOps 경험을 향상하는 여러 고급 기능을 제공합니다.

원격 실행#

ClearML의 원격 실행 기능을 사용하면 여러 머신에서 실험을 재현하고 조작할 수 있습니다. 설치된 패키지와 커밋되지 않은 변경 사항 등의 필수 정보를 기록합니다. 작업이 대기열에 추가되면 ClearML Agent가 작업을 가져와 환경을 재생성하고 실험을 실행한 다음 자세한 결과를 보고합니다.

다음 명령을 사용하면 다양한 머신에 ClearML Agent를 간편하게 배포할 수 있습니다:

clearml-agent daemon --queue QUEUES_TO_LISTEN_TO [--docker]

이 설정은 클라우드 VM, 로컬 GPU 또는 노트북에 적용할 수 있습니다. ClearML Autoscalers는 AWS, GCP, Azure와 같은 플랫폼의 클라우드 워크로드를 관리하고 에이전트 배포를 자동화하며 리소스 예산에 따라 리소스를 조정합니다.

복제, 편집 및 대기열 추가#

ClearML의 사용자 친화적인 인터페이스를 사용하면 작업을 쉽게 복제하고 편집한 다음 대기열에 추가할 수 있습니다. 사용자는 기존 실험을 복제하고 UI에서 매개변수나 기타 세부 정보를 조정한 뒤 작업을 실행하도록 대기열에 추가할 수 있습니다. 이 간소화된 프로세스를 통해 작업을 실행하는 ClearML Agent가 업데이트된 구성을 사용하므로 반복적인 실험과 모델 미세 조정에 적합합니다.

데이터셋 버전 관리#

ClearML은 YOLO26 학습 워크플로와 원활하게 통합되는 강력한 데이터셋 버전 관리 기능도 제공합니다. 이 기능을 사용하면 다음을 수행할 수 있습니다.

• 코드와 별도로 데이터셋 버전을 관리합니다.
• 각 실험에 사용된 데이터셋 버전을 추적합니다.
• 최신 데이터셋 버전에 쉽게 액세스하고 다운로드합니다.

ClearML용 데이터셋을 준비하려면 다음 단계를 따르세요.

1. 표준 YOLO 구조(images, labels 등)에 따라 데이터셋을 구성합니다.

2. 해당 YAML 파일을 데이터셋 폴더의 루트에 복사합니다.

3. ClearML Data 도구를 사용하여 데이터셋을 업로드합니다.

   cd your_dataset_folder
   clearml-data sync --project YOLO26 --name your_dataset_name --folder .

이 명령은 ClearML에 버전이 지정된 데이터셋을 생성합니다. 학습 스크립트에서 이 데이터셋을 참조할 수 있어 재현성과 데이터에 대한 간편한 액세스가 보장됩니다.

요약#

이 가이드에서는 ClearML을 Ultralytics의 YOLO26과 통합하는 과정을 안내했습니다. 초기 설정부터 고급 모델 관리까지 살펴보며 머신러닝 프로젝트에서 효율적인 학습, 실험 추적, 워크플로 최적화를 위해 ClearML을 활용하는 방법을 알아보았습니다.

사용법에 대한 자세한 내용은 ClearML 공식 YOLOv8 통합 가이드를 참조하세요. 이 가이드는 YOLO26 워크플로에도 적용됩니다.

또한 Ultralytics 통합 가이드 페이지를 방문하여 Ultralytics의 다양한 통합 기능을 살펴보세요. 이 페이지에는 풍부한 자료와 유용한 정보가 담겨 있습니다.

자주 묻는 질문#