ClearML을 활용한 YOLO26 학습: MLOps 워크플로 간소화#

MLOps는 실제 환경에서 machine learning 모델의 생성과 배포 사이의 간극을 메워줍니다. 실제 애플리케이션에서 모델이 잘 작동하도록 효율적인 배포, 확장성, 지속적인 관리에 초점을 맞춥니다.

Ultralytics YOLO26은 ClearML과 손쉽게 연동되어 object detection 모델의 학습 및 관리를 간소화하고 향상시킵니다. 본 가이드에서는 ClearML 설정 방법, 실험 관리, 모델 관리 자동화, 그리고 효율적인 협업 방법을 상세히 안내합니다.

ClearML#

ClearML은 머신러닝 워크플로를 자동화, 모니터링 및 오케스트레이션하도록 정교하게 설계된 혁신적인 오픈소스 MLOps 플랫폼입니다. 주요 기능으로는 완전한 실험 재현성을 위한 모든 학습 및 추론 데이터의 자동 로깅, 손쉬운 data visualization과 분석을 위한 직관적인 웹 UI, 고급 하이퍼파라미터 optimization algorithms, 그리고 다양한 플랫폼에서 효율적인 배포를 지원하는 강력한 모델 관리가 있습니다.

ClearML을 활용한 YOLO26 학습#

YOLO26을 ClearML과 통합하여 학습 과정을 개선함으로써 머신러닝 워크플로에 자동화와 효율성을 도입할 수 있습니다.

설치#

필수 패키지를 설치하려면 다음을 실행하십시오:

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

설치 과정과 관련된 자세한 지침 및 모범 사례를 보려면 YOLO26 Installation guide를 꼭 확인하시기 바랍니다. YOLO26에 필요한 패키지를 설치하는 동안 문제가 발생할 경우, Common Issues guide에서 해결 방법과 팁을 참고하세요.

ClearML 구성#

필요한 패키지를 설치한 후 다음 단계는 ClearML SDK를 초기화하고 구성하는 것입니다. 여기에는 ClearML 계정을 설정하고 개발 환경과 ClearML 서버 간의 원활한 연결을 위한 필수 자격 증명을 획득하는 과정이 포함됩니다.

먼저 환경에서 ClearML SDK를 초기화하여 시작합니다. clearml-init 명령어는 설정 프로세스를 시작하고 필요한 자격 증명을 요구합니다.

# Initialize your ClearML SDK setup process
clearml-init

이 명령어를 실행한 후, ClearML Settings page를 방문하세요. 우측 상단으로 이동하여 "Settings"를 선택합니다. "Workspace" 섹션으로 이동하여 "Create new credentials"를 클릭합니다. Jupyter Notebook 또는 로컬 Python 환경 중 어디에 ClearML을 구성하고 있는지에 따라 "Create Credentials" 팝업에 제공된 자격 증명을 사용하여 안내에 따라 설정을 완료합니다.

사용법#

사용법을 살펴보기 전에 YOLO26 models offered by Ultralytics에서 제공하는 다양한 모델들을 꼭 확인해 보세요. 이를 통해 프로젝트 요구사항에 가장 적합한 모델을 선택할 수 있습니다.

from ultralytics import YOLO

# The callback creates and connects the ClearML task automatically
model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    epochs=16,
    project="my_project",
    name="my_yolo26_task",
)

코드 이해하기#

ClearML이 설치 및 설정되면 콜백이 기본적으로 활성화됩니다. 학습이 시작될 때 태스크를 생성하며, ClearML 프로젝트 및 태스크 이름으로 YOLO project 및 name 인수를 사용하고, 학습 인수를 자동으로 연결합니다. 통합을 비활성화하려면 yolo settings clearml=False를 실행하세요. 학습 옵션 및 모범 사례에 대해서는 YOLO26 Model Training 가이드를 참조하세요.

출력 이해하기#

위의 사용 코드 스니펫을 실행하면 다음과 같은 출력을 기대할 수 있습니다:

• 새 ClearML 태스크 생성과 고유 ID를 나타내는 확인 메시지.
• 저장된 스크립트 코드에 대한 정보 메시지(ClearML이 코드 실행을 추적하고 있음을 나타냄).
• 학습 진행 상황을 모니터링하고 자세한 로그를 볼 수 있는 ClearML 결과 페이지에 대한 URL 링크.
• YOLO26 모델 및 지정된 데이터셋에 대한 다운로드 진행 상황, 이어서 모델 아키텍처 및 학습 구성 요약.
• TensorBoard, Automatic Mixed Precision (AMP), 데이터셋 준비와 같은 다양한 학습 구성 요소에 대한 초기화 메시지.
• 마지막으로 학습 프로세스가 시작되며, 지정된 데이터셋으로 모델이 학습됨에 따라 진행 상황 업데이트가 표시됩니다. 학습 중에 사용되는 성능 지표에 대한 자세한 내용을 보려면 our guide on performance metrics를 읽어보세요.

ClearML 결과 페이지 보기#

사용 코드 스니펫 출력에 있는 ClearML 결과 페이지 URL 링크를 클릭하면 모델 학습 과정에 대한 포괄적인 뷰에 액세스할 수 있습니다.

ClearML 결과 페이지의 주요 기능#

• 실시간 지표 추적

  • 손실(loss), accuracy, 검증 점수 등 중요한 지표를 실시간으로 추적합니다.
  • 적시에 모델 성능을 조정할 수 있도록 즉각적인 피드백을 제공합니다.

• 실험 비교

  • 서로 다른 학습 실행 결과를 나란히 비교합니다.
  • hyperparameter tuning과 가장 효과적인 모델을 식별하는 데 필수적입니다.

• 상세 로그 및 출력

  • 포괄적인 로그, 지표의 그래픽 표현 및 콘솔 출력에 액세스합니다.
  • 모델 동작 및 문제 해결에 대해 더 깊이 이해할 수 있습니다.

• 리소스 활용 모니터링

  • CPU, GPU 및 메모리를 포함한 컴퓨팅 리소스 활용도를 모니터링합니다.
  • 학습 효율성과 비용을 최적화하는 데 핵심입니다.

• 모델 아티팩트 관리

  • 학습된 모델 및 체크포인트와 같은 모델 아티팩트를 보고, 다운로드하고, 공유합니다.
  • 협업을 강화하고 model deployment 및 공유를 간소화합니다.

ClearML 결과 페이지가 어떻게 보이는지 시각적으로 확인하려면 아래 동영상을 시청하십시오:

ClearML의 고급 기능#

ClearML은 MLOps 경험을 향상시키기 위한 몇 가지 고급 기능을 제공합니다.

원격 실행#

ClearML의 원격 실행 기능은 다른 장비에서 실험을 재현하고 조작하는 것을 용이하게 합니다. 설치된 패키지 및 커밋되지 않은 변경 사항과 같은 필수 세부 정보를 로깅합니다. 태스크가 큐에 대기하면 ClearML Agent가 이를 가져와 환경을 다시 생성하고 실험을 실행한 후 상세한 결과와 함께 보고합니다.

ClearML Agent를 배포하는 것은 간단하며 다음 명령을 사용하여 다양한 머신에서 수행할 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, Azure 같은 플랫폼에서 클라우드 워크로드를 관리하는 데 도움을 주며, 에이전트 배포를 자동화하고 리소스 예산에 따라 리소스를 조정합니다.

복제, 편집 및 대기열 추가#

ClearML의 사용자 친화적인 인터페이스를 통해 태스크를 쉽게 복제, 편집 및 대기열에 추가할 수 있습니다. 사용자는 기존 실험을 복제하고 UI를 통해 매개변수나 기타 세부 정보를 조정하며 실행을 위해 태스크를 대기열에 추가할 수 있습니다. 이 간소화된 프로세스는 태스크를 실행하는 ClearML Agent가 업데이트된 구성을 사용하도록 보장하며, 반복적인 실험 및 모델 파인 튜닝에 이상적입니다.

데이터셋 버전 관리#

ClearML은 또한 YOLO26 학습 워크플로와 원활하게 통합되는 강력한 dataset version management 기능을 제공합니다. 이 기능을 통해 다음을 수행할 수 있습니다:

• 코드와 별도로 데이터셋 버전 관리
• 각 실험에 어떤 데이터셋 버전이 사용되었는지 추적
• 최신 데이터셋 버전에 쉽게 액세스하고 다운로드

데이터셋을 ClearML용으로 준비하려면 다음 단계를 따르십시오:

1. 표준 YOLO 구조(이미지, 라벨 등)로 데이터셋을 구성하십시오.

2. 해당 YAML 파일을 데이터셋 폴더의 루트에 복사하십시오.

3. ClearML 데이터 도구를 사용하여 데이터셋을 업로드하십시오:

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

이 명령은 학습 스크립트에서 참조할 수 있는 버전화된 데이터셋을 ClearML에 생성하여 재현성을 보장하고 데이터에 쉽게 액세스할 수 있도록 합니다.

요약#

이 가이드에서는 Ultralytics의 YOLO26과 ClearML을 통합하는 과정을 안내했습니다. 초기 설정부터 고급 모델 관리까지 모든 내용을 다루며, 머신러닝 프로젝트에서 효율적인 학습, 실험 추적 및 워크플로 최적화를 위해 ClearML을 활용하는 방법을 배웠습니다.

사용법에 대한 자세한 내용은 YOLO26 워크플로에도 적용되는 ClearML's official YOLOv8 integration guide를 참조하세요.

또한 Ultralytics integration guide page를 방문하여 리소스와 인사이트가 가득한 Ultralytics의 더 많은 통합 기능과 역량을 살펴보세요.

FAQ#