3. 새 학습 (11단계 마법사) | MLOps Central Platform 매뉴얼

새 학습은 왼쪽 단계 목록을 따라 11단계 설정을 입력하고 마지막에 한 번 제출. 단계에서 값을 선택하기 전에는 다음 버튼이 활성화되지 않음. 이전 단계는 왼쪽 목록을 눌러 수정.

#	단계	선택 항목
1	태스크	Object Detection, Instance Segmentation, Classification 등
2	프레임워크	태스크를 지원하는 프레임워크 (예: YOLO, RF-DETR)
3	모델	모델 변형과 시작 가중치
4	데이터셋	학습에 사용할 수 있는 파일이 있는 데이터셋
5	클래스	학습에 포함할 클래스
6	Train/Val 분할	분할 방식·학습 비율·seed (기본 Random 80%, seed 0)
7	하이퍼파라미터	프레임워크 기본값 YAML 편집 (일부 프레임워크는 입력 폼)
8	평가	학습 후 검증 세트 평가(기본 활성화), 속도 테스트
9	Export	ONNX·TensorRT 추가 변환
10	실행 환경	학습 런타임 변형, GPU 슬롯 수 (기본 0 = CPU)
11	검토·시작	실험 이름, 모델 레지스트리 등록, 제출

사이드바 학습에서 새 학습① 클릭. (데이터셋 상세의 이 데이터셋으로 학습으로도 시작 가능.)
학습 목록: ① 새 학습
1. 태스크: 안전모 위치를 박스로 검출하므로 Object Detection① 선택 후 다음. 학습 런타임이 준비되지 않은 태스크는 목록에 표시되지 않음. 2단계의 프레임워크도 동일.
1단계 태스크: ① Object Detection
2. 프레임워크에서 YOLO, 3. 모델에서 모델 변형① 선택. 표의 Params(M)·mAP 는 크기와 성능 비교 기준인 공개 벤치마크 값. 시작 가중치②는 기본이 카탈로그 사전학습 가중치이고, 직접 업로드한 체크포인트도 여기서 선택.
3단계 모델: ① 모델 변형 ② 시작 가중치
4. 데이터셋에서 앞 장에서 만든 안전모 현장 사진① 선택. 학습에 사용할 파일이 없는 데이터셋은 목록에 표시되지 않음. 데이터셋 캐시 사용②(기본 활성화)이 활성화되어 있으면 같은 데이터셋으로 재학습 시 내려받기 생략.
4단계 데이터셋: ① 학습에 사용할 데이터셋 ② 데이터셋 캐시
5. 클래스: 어노테이션에서 읽어 온 클래스와 객체 수 표시. 호환 클래스 전체 선택①으로 head·helmet 모두 선택. 모델 변형에 따라 클래스가 필수·선택·해당 없음으로 구분.
5단계 클래스: 데이터셋 어노테이션에서 읽은 클래스와 객체 수, ① 호환 클래스 전체 선택
6. Train/Val 분할: 기본은 Random(비율 기반 무작위) 80%. Stratified 는 검증 세트의 라벨 비율을 학습 세트와 일치시킴. 같은 seed 는 같은 분할 재현.
6단계 Train/Val 분할: 방식·학습 비율·seed
7. 하이퍼파라미터: 프레임워크 기본값이 YAML①로 채워져 있음. epochs·batch·imgsz 처럼 필요한 값만 수정. 사용 가능한 키와 범위는 제출 시 서버가 검사하고, 잘못된 값이 있으면 이 단계로 돌아와 오류 표시. 기본값으로 재설정②은 기본값으로 복원.
7단계 하이퍼파라미터: ① YAML 로 편집 ② 기본값으로 재설정
8. 평가의 모델 평가 실행은 학습 종료 후 검증 세트로 mAP 등을 계산해 MLflow 에 기록. 속도 테스트를 활성화하면 추론 지연과 처리량도 함께 측정. 9. Export 에서 PyTorch 가중치는 항상 저장, ONNX 변환·TensorRT 변환은 필요 시 활성화(변환 결과도 MLflow Run 아티팩트로 저장).
10. 실행 환경: 학습은 테넌트 네임스페이스의 Kubernetes Job 으로 실행. 학습 런타임 변형①을 지정하지 않으면(자동 (기본)) 테넌트 기본 이미지 사용. GPU 자원②에서 GPU 슬롯 수 선택. 기본은 0 이고, 0 이면 CPU 로 실행. 선택 가능한 수는 테넌트에 배선된 슬롯 중 여유 슬롯 수까지.
10단계 실행 환경: ① 학습 런타임 변형 ② GPU 자원 (GPU 가 배선되지 않은 테넌트의 경고)
11. 검토·시작: 실험 이름 (선택)① 입력. 같은 이름으로 제출한 학습은 MLflow 에서 한 실험 아래 Run 으로 묶임(입력하지 않으면 이름이 자동 지정되고 실행마다 새 실험 생성). 모델 레지스트리 등록②(기본 비활성화)을 활성화하고 등록 모델 이름(활성화하면 필수)을 입력하면 학습 종료 후 새 버전으로 자동 등록. 요약 확인 후 학습 시작③ 클릭.
11단계 검토·시작: ① 실험 이름 ② 모델 레지스트리 등록 ③ 학습 시작

제출 시 서버가 설정 검사(하이퍼파라미터 키·범위, 데이터셋, 학습 런타임 이미지, GPU 슬롯). 통과하면 "학습 시작됨" 알림과 함께 학습 실행 상세 화면으로 이동하고, 학습은 대기 중 상태로 실행 대기 단계에서 차례 대기. 거절되면 사유가 알림으로 표시되고, 단계별 설정 오류면 그 단계로 복귀.

다음: 4. 학습 진행 확인