MLOps 기반 Kubeflow 환경에 최적화된 객체 탐지 모델 개발
Development of Object Detection Model Optimized for MLOps Based Kubeflow Environment
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
기존 인공지능 시스템은 서비스 규모가 증가함에 따라 환경 설정, 특징 추출, 리소스 관리, 모델 학습 등 모든 단계를 수작업으로 진행하는 경향이 있다. 이는 전문성이 요구되는 작업으로 자동화보다는 전문 인력에 의존하는 측면이 높은데, 그 결과 분석 결과의 신뢰성과 일관성이 저하되는 원인이 될 수 있다. 최근에는 이러한 문제를 해결하기 위해 MLOps의 필요성이 중요해지고 있으며, Kubeflow와 같은 MLOps 플랫폼을 활용한 환경에서 인공지능 모델의 자동화, 배포, 관리 등 연구가 활발하게 진행되고 있다. 이에 본 연구에서는 Kubeflow Dashboard에서 AI 모델 구현에 필요한 전처리, 알고리즘 선택 등의 진행을 웹 UI에서 진행할 수 있는 KFP(Kubeflow Pipeline) 컴포넌트 코드를 개발하여 YOLO 객체 탐지 모델의 자동화된 모니터링 및 배포, 운영 과정을 심도 있게 기술하였다. 이를 통해 시간과 노력이 많이 소모되는 반복적인 작업들을 자동화하여 효율성을 높일 수 있었으며, 특히 비동기 방식으로 애플리케이션이 배포되고 실행되는 과정을 강조함으로써 실시간으로 변화하는 환경에 더욱 적응 가능한 시스템을 확인하였다. 또한, 매개변수 설정을 좀 더 효율적으로 관리하여 다양한 변수들이 분석 결과에 미치는 영향을 최소화하고, 인력과 시간을 단축하여 일관되고 우수한 성능을 확보하여 모델 각 단계에서 실행 결과가 동시에 어떻게 처리되고 어떤 영향을 미치는지 상태를 확인하고 추적할 수 있었다.
Abstract
AI(Artificial Intelligence) models tend to perform all steps manually, include set to up environment, extract feature, management resources, and learning models, as the service scale increases. This is a task that requires expertise and relies on professional manpower rather than automated , which can cause the reliability and consistency of the analysis results to deteriorate. Recently, the need for MLOps has become important to solve these problems, and research such as automated , deployment, and management of AI models is with actively conducted in environments using MLOps platform such as Kubeflow. Therefore, in this study, KFP(Kubeflow Pipeline) component code that can proceed with preprocessing and algorithm select required to implement AI models on the Kuberflow dashboard and described in depth the automated monitoring, distribute, and operation process of the YOLO object detection model. This provide in it was possible to increase efficiency by automated tasks that require a lot of time consume and iterative process of models, emphasize be placed on asynchronous deployment and execute of applications, enable adaptability to dynamically changed environment. In addition to, by efficiently manage parameter set be able to minimize the impact of various variables on the analysis result, reduce manpower and time to ensure consistent and superior performance, and check and track the status of how execute result are handled and how they affect them at each stage of the models.
참고문헌 (10)
- D. G. Kim, "A study on mlops development environment for effective management of ai workflow", Journal of Knowledge Information Technology and Systems, 18(6), pp.1417~1429 (2023)
- D. G. Kim, "Design of deep learning platform considering docker based big-data analysis environments", Journal of Korean Institute of Intelligent Systems, 32(3), pp.201~208 (2022)
- D. G. Kim, "Development of big-data management platform considering docker based real time data connecting and processing environments", IEMEK J. Embed. Sys. Appl, 16(4), pp.153~161 (2021)
- I. C. Kim, "Online hard example mining for training one-stage object detectors", KIPS Transactions on Software and Data Engineering, 7(5), pp.195~204 (2018)
- K. W. Kim, "Analyzing deep learning-based techniques in concrete crack detection technology", Journal of the Architectural Institute of Korea, 40(3), pp.285~291 (2024)
- D. H. Im, "Linked tag : image annotation using semantic relationships between image tags", Journal of Multimedia Tools and Applications, 74(7), pp.2273~2287 (2015)