새 학습 마법사
태스크부터 검토·시작까지, 학습 실행을 구성하는 11단계의 화면별 설명
필요 권한: 개발DEVELOPER · OPERATOR · ADMIN
학습 실행을 11단계로 구성해 시작하는 화면입니다. 학습 목록의 새 학습 으로 들어오며 develop 권한(DEVELOPER·OPERATOR·ADMIN)이 필요합니다. 데이터셋 상세의 이 데이터셋으로 학습 으로 들어오면 ④ 데이터셋이 미리 골라져 있고, 학습 상세의 이 설정으로 다시 학습 으로 들어오면 모든 값이 채워진 채 ⑪ 검토 단계가 바로 열립니다.
| 번호 | 영역 | 설명 |
|---|---|---|
| ① | 단계 목록 | 11단계. 이미 지나온 단계만 눌러서 돌아갈 수 있고, 서버가 오류를 돌려준 단계에는 빨간 표시가 붙습니다. |
| ② | 현재 단계 | 단계 제목과 설명, 입력 영역. |
| ③ | 다음 | 이 단계의 필수 값이 채워지면 켜집니다. 마지막 단계에서는 학습 시작 으로 바뀝니다. |
| ④ | 취소 | 작성을 버리고 목록으로 돌아갑니다(확인을 한 번 묻습니다). |
앞 단계를 바꾸면 그에 딸린 뒤 단계 값이 비워집니다. 예를 들어 태스크를 바꾸면 프레임워크·모델·클래스·하이퍼파라미터가, 데이터셋을 바꾸면 클래스가 초기화됩니다.
단계별 설명
① 태스크
학습할 컴퓨터 비전 태스크를 고릅니다. 처음에는 Object Detection 이 골라져 있습니다. 카드 오른쪽 위는 쓸 수 있는 프레임워크 수이고, 프레임워크가 없는 태스크는 흐리게 보이며 고를 수 없습니다.
| 태스크 | 설명 |
|---|---|
| Object Detection | 바운딩 박스로 객체를 찾고 클래스 라벨을 붙입니다. |
| Instance Segmentation | 객체별 픽셀 마스크까지 예측합니다. |
| Semantic Segmentation | 모든 픽셀(포인트클라우드는 모든 점)을 카테고리별로 칠합니다. |
| Classification | 입력 하나를 정해진 클래스 중 하나로 분류합니다. |
② 프레임워크
태스크를 지원하는 프레임워크 카드입니다. 카드에 라이선스, 모델 수, 추가 변환 가능 형식(예: onnx, tensorrt)이 적혀 있습니다. Object Detection 의 기본은 YOLO 입니다.
③ 모델
프레임워크의 모델 변형(크기·정확도가 다른 버전)을 고릅니다. 표의 Params(M) 는 파라미터 수, mAP 는 공개 벤치마크 정확도, 사전학습은 카탈로그 체크포인트입니다. 변형을 고르면 아래에 시작 가중치 가 나타나 카탈로그 가중치 또는 내가 올린 가중치 중에서 고릅니다.
④ 데이터셋
학습에 쓸 수 있는 파일(이미지·PLY·표 형식)이 있는 데이터셋만 보입니다. 아래의 데이터셋 캐시 사용 을 켜 두면 같은 데이터셋으로 다시 학습할 때 내려받기를 건너뜁니다.
⑤ 클래스
데이터셋의 어노테이션에서 모은 클래스와 객체 수, 도형 종류가 나옵니다. 모델 변형에 따라 필수(하나 이상 골라야 함, 호환 클래스가 미리 모두 골라짐)·선택(아무것도 안 고르면 전부 학습)·해당 없음(고를 축이 없음)으로 갈립니다. 모델이 다룰 수 없는 도형의 클래스는 이유와 함께 흐리게 보입니다.
⑥ Train/Val 분할
분할 방식, Train 비율(기본 80%), Seed(같은 값이면 같은 분할이 재현됨)를 정합니다. 분할 방식에는 Random(비율대로 무작위로 나눔), Stratified(라벨 비율을 유지하며 나눔) 등이 있고, 프레임워크가 지원하는 것만 켜집니다.
⑦ 하이퍼파라미터
모델 변형의 기본 하이퍼파라미터가 YAML 로 채워져 나옵니다. 고친 내용은 그대로 저장되고, 허용 키와 범위는 제출할 때 서버가 검증합니다. 기본값으로 재설정 으로 되돌립니다. 일부 프레임워크는 YAML 대신 입력 칸 형태로 나오며, 칸 아래에 범위와 기본값이 적혀 있습니다.
⑧ 평가 · ⑨ Export
| 단계 | 항목 | 설명 |
|---|---|---|
| ⑧ 평가 | 모델 평가 실행 | 학습이 끝나면 검증 세트로 지표(mAP 등)를 계산합니다. 기본 켜짐. |
| ⑧ 평가 | 속도 테스트 | 추론 속도 측정(준비 중이라 설정만 저장됩니다). |
| ⑨ Export | PyTorch (.pt) | 항상 저장됩니다. |
| ⑨ Export | ONNX (.onnx) | 끝난 뒤 ONNX 로 변환해 Run 아티팩트로 올립니다. |
| ⑨ Export | TensorRT (.engine) | GPU·드라이버 환경에 따라 다릅니다. 지원하지 않는 프레임워크에서는 꺼져 있습니다. |
⑩ 실행 환경
학습은 컨테이너(Kubernetes Job) 로 돕니다. 학습 런타임 변형 에서 학습 이미지를 고르며, 비워 두면 테넌트의 기본 변형을 씁니다. GPU 자원 에서 CPU 로 돌릴지, 배선된 GPU 슬롯을 몇 개 쓸지 정합니다. 테넌트에 GPU 가 배선되지 않았으면 경고가 나오고 CPU 로만 실행됩니다.
⑪ 검토·시작
| 번호 | 영역 | 설명 |
|---|---|---|
| ① | 실험 이름 (선택) | 같은 이름으로 제출한 실행은 MLflow 의 한 실험 아래 Run 으로 묶여 비교하기 쉽습니다. 비워 두면 {프리셋 또는 모델}-{날짜-시각} 으로 자동 생성됩니다. |
| ② | 모델 레지스트리 등록 | 켜면 끝난 뒤 best.pt 를 새 모델 버전으로 등록합니다. 켜면 등록 모델 이름 을 반드시 적어야 합니다. |
| ③ | 학습 시작 | 제출합니다. 성공하면 학습 실행 상세로 넘어갑니다. |
아래 요약에서 모든 단계의 값을 한 번에 확인합니다.
제출이 거절될 때
서버가 값을 검증해 문제가 있으면 "설정을 확인하세요" 알림과 함께 문제가 있는 첫 단계로 돌아가고, 그 단계에 오류 목록이 빨갛게 나옵니다.