Artifacts Overview

W&B Artifacts Overview, 작동 방식, 그리고 사용 시작 방법.

W&B Artifacts를 사용해 W&B Runs의 입력 및 출력으로 사용되는 데이터를 추적하고 버전 관리하세요. 예를 들어, 모델 트레이닝 run은 입력으로 데이터셋을 받아 출력으로 트레이닝된 모델을 생성할 수 있습니다. 하이퍼파라미터, 메타데이터, 메트릭을 run에 기록할 수 있으며, artifact를 사용해 모델 트레이닝에 사용된 데이터셋을 입력으로 기록, 추적, 버전 관리하고, 결과로 생성된 모델 checkpoint를 출력으로 기록할 수 있습니다.

​

사용 사례

전체 ML 워크플로 전반에서 아티팩트를 runs의 입력과 출력으로 사용할 수 있습니다. 처리 작업의 입력으로 데이터셋, 모델, 또는 다른 아티팩트를 사용할 수도 있습니다.

사용 사례	입력	출력
모델 트레이닝	데이터셋(트레이닝 및 검증 데이터)	트레이닝된 모델
데이터셋 전처리	데이터셋(원시 데이터)	데이터셋(전처리된 데이터)
모델 평가	모델 + 데이터셋(테스트 데이터)	W&B Table
모델 최적화	모델	최적화된 모델

다음 코드 스니펫은 순서대로 실행해야 합니다.

​

artifact 만들기

네 줄의 코드로 artifact를 만들 수 있습니다:

1. W&B run을 생성하세요.
2. wandb.Artifact를 사용해 artifact 객체를 생성하세요.
3. wandb.Artifact.add_file()로 모델 파일이나 데이터셋 같은 파일을 하나 이상 artifact 객체에 추가하세요.
4. wandb.Run.log_artifact()로 artifact를 W&B에 기록하세요.

예를 들어, 다음 코드 스니펫은 dataset.h5라는 파일을 example_artifact라는 artifact에 기록하는 방법을 보여줍니다:

import wandb

with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
    artifact = wandb.Artifact(name="example_artifact", type="dataset")
    artifact.add_file(local_path="./dataset.h5", name="training_dataset")
    run.log_artifact(artifact)

• artifact의 유형은 W&B 플랫폼에서 artifact가 어떻게 표시되는지에 영향을 줍니다. 유형을 지정하지 않으면 기본값은 unspecified입니다.
• 드롭다운의 각 라벨은 서로 다른 type 매개변수 값을 나타냅니다. 위 코드 스니펫에서 artifact의 유형은 dataset입니다.

Amazon S3 버킷과 같은 외부 객체 저장소에 저장된 파일 또는 디렉터리에 레퍼런스를 추가하는 방법은 외부 파일 추적 페이지를 참조하세요.

​

artifact 다운로드

wandb.Run.use_artifact() 메서드를 사용해 run의 입력으로 표시할 artifact를 지정합니다.

이전 코드 스니펫에 이어, 다음 코드 예제는 앞서 생성한 example_artifact라는 artifact를 사용하는 방법을 보여줍니다:

with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
    artifact = run.use_artifact("training_dataset:latest")  # "my_data" artifact를 사용하는 run 객체를 반환합니다

이는 artifact 객체를 반환합니다.

다음으로, 반환된 객체를 사용해 artifact의 모든 내용을 다운로드하세요:

datadir = artifact.download()  # 전체 `my_data` artifact를 기본 디렉토리에 다운로드합니다.

특정 디렉터리에 artifact를 다운로드하려면 root 매개변수에 맞춤형 경로를 전달하면 됩니다. artifact를 다운로드하는 다른 방법과 추가 매개변수는 artifact 다운로드 및 사용 가이드를 참조하세요.

​

다음 단계

• 아티팩트를 버전 관리하고 업데이트하는 방법을 알아보세요.
• automations를 사용해 아티팩트가 변경될 때 다운스트림 워크플로를 트리거하거나 Slack 채널로 알림을 받는 방법을 알아보세요.
• 학습된 모델을 보관하는 공간인 레지스트리에 대해 알아보세요.
• Python SDK 및 CLI 레퍼런스 가이드를 살펴보세요.