클라우드 컴퓨팅이 AI를 어떻게 지원하는지 알아보세요. 클라우드 GPU에서 Ultralytics 훈련하는 방법을 배우고, 완전히 새로워진 Ultralytics 사용하여 대규모로 비전 모델을 배포하세요.
클라우드 컴퓨팅은 서버, 스토리지, 데이터베이스, 네트워킹, 소프트웨어와 같은 IT 자원을 인터넷을 통해 필요에 따라 제공하는 것을 의미합니다. 조직이 물리적 데이터 센터를 구매, 소유 및 유지 관리하는 대신 클라우드 공급자로부터 필요에 따라 기술 서비스에 접근할 수 있습니다. 인공지능(AI) 및 기계학습(ML) 실무자들에게 이 패러다임은 혁신적입니다. 막대한 데이터셋과 복잡한 계산을 처리하는 데 필요한 탄력적 확장성을 제공하면서도 하드웨어의 막대한 초기 비용 없이 이를 가능하게 합니다.
클라우드 인프라와 현대 AI 간의 공생 관계는 기술 혁신을 가속화했습니다. 정교한 딥러닝(DL) 모델 훈련에는 엄청난 처리 능력이 필요합니다. 클라우드 플랫폼은 그래픽 처리 장치(GPU) 및 Tensor 장치(TPU)로 구성된 고성능 클러스터에 즉시 접근할 수 있게 하여 연구자들이 방대한 양의 훈련 데이터에 대해 분산 훈련을 수행할 수 있도록 합니다.
순수한 성능을 넘어, 클라우드 서비스는 머신 러닝 운영(MLOps)을 간소화합니다. 데이터 수집 및 라벨링부터 모델 배포 및 모니터링에 이르기까지 클라우드는 통합된 생태계를 제공합니다. 이를 통해 팀은 인프라 관리보다 알고리즘 개선에 집중할 수 있습니다. 예를 들어, Ultralytics 클라우드 리소스를 활용하여 YOLO26과 같은 비전 모델의 훈련 및 관리를 단순화합니다.
클라우드 컴퓨팅은 일반적으로 세 가지 모델로 분류되며, 각 모델은 서로 다른 수준의 제어 기능을 제공합니다:
클라우드 컴퓨팅은 다양한 산업 분야에서 AI 솔루션이 전 세계적으로 운영될 수 있도록 합니다.
클라우드 컴퓨팅과 엣지 컴퓨팅은 AI 파이프라인에서 상호 보완적인 역할을 수행하므로 이를 구분하는 것이 중요합니다.
일반적인 워크플로는 클라우드에서 고속 GPU를 활용하기 위해 YOLO26과 같은 강력한 모델을 훈련시킨 후, 이를 ONNX 으로 내보내 에지 디바이스에서 효율적으로 실행하는 것입니다.
다음 Python YOLO26 모델 훈련을 시작하는 방법을 보여줍니다. 이 코드는 로컬에서 실행될 수 있지만, GPU 프로세스를 크게 가속화하는 클라우드 환경으로 원활하게 확장되도록 설계되었습니다.
from ultralytics import YOLO
# Load the latest YOLO26 model (recommended for speed and accuracy)
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset
# Cloud GPUs drastically reduce training time for larger datasets
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
대규모 프로젝트의 경우, 클라우드 훈련 솔루션을 활용하면 모델 가중치가 효율적으로 최적화되며 로컬 워크스테이션의 과부하를 방지할 수 있습니다.
.webp)