이 프로젝트는 AI 모델 서빙, 등록, 버전 관리 시스템을 테스트하기 위한 다양한 형식의 머신러닝 모델 파일들을 제공합니다. MLOps 파이프라인 구축, 모델 레지스트리 개발, 또는 AI 플랫폼 테스트에 활용할 수 있습니다.
- 모델 레지스트리 시스템 개발 및 테스트
- AI 플랫폼 모델 관리 기능 검증
- MLOps 파이프라인 구축 및 테스트
- 모델 서빙 API 개발
- 버전 관리 시스템 검증
- 멀티 프레임워크 지원 테스트
models/
├── iris-classifier-rf/ # Random Forest 붓꽃 분류 모델
│ ├── v1.0.0/
│ │ ├── model.pkl # 모델 파일
│ │ ├── config.json # 설정 파일
│ │ ├── requirements.txt # 의존성
│ │ └── README.md # 모델 문서
│ └── v1.1.0/ # 개선된 버전
│ └── ...
├── sentiment-analyzer-torch/ # PyTorch 감정 분석 모델
│ ├── v1.0.0/
│ │ ├── model.pt # PyTorch 모델
│ │ └── ...
│ └── v1.1.0/
│ └── ...
├── image-classifier-cnn/ # TensorFlow CNN 이미지 분류
│ └── v1.0.0/
│ ├── model.h5 # Keras 모델
│ └── ...
└── fraud-detector-lr/ # 사기 탐지 로지스틱 회귀
└── v1.0.0/
├── model.pkl # 모델 파일
└── ...
| 모델명 | 프레임워크 | 작업 유형 | 버전 | 파일 형식 | 용도 |
|---|---|---|---|---|---|
| Iris Species Classifier | scikit-learn | classification | v1.0.0, v1.1.0 | .pkl | 기본 분류 작업 |
| Korean Sentiment Analyzer | PyTorch | text_classification | v1.0.0, v1.1.0 | .pt | 자연어 처리 |
| MNIST Digit Classifier | TensorFlow/Keras | image_classification | v1.0.0 | .h5 | 컴퓨터 비전 |
| Credit Card Fraud Detector | scikit-learn | binary_classification | v1.0.0 | .pkl | 이상 탐지 |
- 파일:
model_registry.json - 설명: 전체 모델 목록과 버전 정보를 포함한 레지스트리 데이터
- 활용: 데이터베이스 초기 데이터, API 응답 예시
- 파일:
api_test_requests.json - 설명: 모델 등록 API 테스트를 위한 샘플 요청 데이터
- 활용: 자동화 테스트, API 문서 예시
python3 create_simple_models.py# 모델 등록
curl -X POST http://localhost:8080/api/v1/models \
-H "Content-Type: application/json" \
-d @api_test_requests.json
# 모델 목록 조회
curl -X GET http://localhost:8080/api/v1/models
# 특정 모델 조회
curl -X GET http://localhost:8080/api/v1/models/{model_id}
# 모델 버전 목록
curl -X GET http://localhost:8080/api/v1/models/{model_id}/versions- 다중 파일 형식 (.pkl, .pt, .h5, .onnx)
- 메타데이터 관리 (이름, 설명, 프레임워크 등)
- 성능 지표 추적 (정확도, F1-Score, 추론 시간 등)
- 하드웨어 요구사항 명세
- 태그 및 카테고리 분류
- Semantic versioning (v1.0.0, v1.1.0)
- 버전별 성능 비교
- 버전 히스토리 추적
- 롤백 및 배포 상태 관리
- scikit-learn (.pkl)
- PyTorch (.pt)
- TensorFlow/Keras (.h5)
- ONNX (.onnx) - 확장 가능
- 프레임워크별 검색
- 작업 유형별 필터링
- 성능 지표 기반 정렬
- 태그 기반 검색
- 특징: 가벼운 모델, CPU 전용, 4개 특성
- 활용: 기본 분류 알고리즘 테스트, 빠른 프로토타이핑
- 테스트 시나리오: 간단한 모델 등록 및 조회
- 특징: GPU 요구사항, 메모리 사용량 높음, LSTM 아키텍처
- 활용: 자연어 처리 파이프라인, 텍스트 분석 서비스
- 테스트 시나리오: 하드웨어 요구사항이 있는 모델 관리
- 특징: CNN 아키텍처, GPU 권장, 이미지 입력
- 활용: 컴퓨터 비전 서비스, 이미지 처리 파이프라인
- 테스트 시나리오: 대용량 모델 파일 관리
- 특징: 불균형 데이터셋 대응, 이진 분류, 금융 도메인
- 활용: 실시간 이상 탐지, 리스크 관리 시스템
- 테스트 시나리오: 특수 도메인 모델 관리
- 모델 등록: 다양한 형식의 모델 파일 업로드
- 메타데이터 관리: 모델 정보 입력 및 수정
- 버전 관리: 모델 업데이트 및 버전 비교
- 검색 및 필터링: 조건별 모델 검색
- 성능 모니터링: 모델 성능 지표 추적
- 배포 관리: 모델 배포 상태 관리
- 접근 권한: 사용자별 모델 접근 제어
- 자동화: CI/CD 파이프라인 연동
- 대용량 파일: 큰 모델 파일 처리
- 동시 접근: 멀티 사용자 환경
- 성능 최적화: 빠른 검색 및 로딩
- 저장소 관리: 파일 시스템 최적화
- ONNX (.onnx) - 프레임워크 간 호환성
- TensorRT (.plan) - GPU 최적화
- Core ML (.mlmodel) - iOS/macOS 배포
- OpenVINO (.xml/.bin) - 인텔 최적화
- 라이센스 정보
- 학습 데이터셋 정보
- 모델 크기 및 복잡도
- 추론 비용 정보
- 모델 A/B 테스트
- 자동 모델 검증
- 성능 벤치마킹
- 모델 변환 서비스
- 생성일: 2024년 12월 17일
- 목적: AI 모델 관리 시스템 개발 및 테스트
- 라이센스: MIT (모델 파일들은 테스트 목적으로만 사용)
create_simple_models.py: 모델 파일 생성 스크립트model_registry.json: 모델 레지스트리 메타데이터api_test_requests.json: API 테스트용 샘플 데이터requirements.txt: 프로젝트 의존성
- 새로운 모델 추가: 다른 프레임워크나 작업 유형의 모델
- 메타데이터 확장: 추가적인 모델 정보나 성능 지표
- 테스트 시나리오: 새로운 사용 사례나 테스트 케이스
- 문서 개선: 사용법이나 예시 코드 추가
이 프로젝트가 여러분의 AI 모델 관리 시스템 개발에 도움이 되기를 바랍니다! 🚀