온프레미스 MLOps 플랫폼
miniOps
사내 GPU 서버 한 대로
끝내는 비전 AI 학습
데이터 업로드부터 라벨링, 학습, 결과 분석, 모델 버전 관리까지. miniOps는 이 모든 과정을 웹 화면 하나로 묶은 온프레미스 MLOps 플랫폼입니다.
비전 AI를 직접 만들려는 팀이 부딪히는 세 가지
데이터를 밖으로 내보낼 수 없다
생산 라인 이미지, 설비 영상, 검사 결과는 회사의 핵심 자산입니다. 클라우드 학습 서비스에 올리려면 보안 심의부터 넘어야 하고, 넘지 못하는 경우가 더 많습니다.
도구가 흩어져 있다
라벨링은 별도 프로그램, 학습은 개인 스크립트, 실험 기록은 엑셀, 모델 파일은 공유 폴더. 담당자가 바뀌면 어떤 데이터로 어떤 모델을 만들었는지 추적할 수 없게 됩니다.
인프라를 맡을 사람이 없다
GPU 드라이버, 학습 환경, 실험 추적 서버, 스토리지를 직접 엮어 운영하려면 전담 엔지니어가 필요합니다. 소규모 팀에서는 AI 담당자가 그 일까지 떠안습니다.
miniOps의 답
이미 보유한 GPU 서버에 설치해, 데이터를 사내에 둔 채로 라벨링부터 모델 관리까지 한 화면에서 처리합니다.
한 화면에서 이어지는 다섯 단계
데이터 등록부터 현장 배포 모델 관리까지 끊김 없이 이어집니다
데이터셋 허브
ZIP 한 번으로 이미지와 라벨을 등록하고, 클래스 분포와 검수 현황을 확인합니다.
라벨링 · 검수
웹 에디터로 박스와 폴리곤을 그리고, AI 자동 어노테이션으로 초안을 만든 뒤 사람이 검수합니다.
학습
데이터셋 화면에서 바로 학습을 시작하고, 진행률과 손실 곡선, 자원 사용량을 실시간으로 봅니다.
결과 분석
학습 곡선, PR 곡선, 혼동 행렬과 지표를 확인하고 가중치를 내려받습니다.
모델 레지스트리
모델을 버전별로 등록하고 Staging, Production 단계로 관리합니다.
-
✓설치형, 단일 서버Docker Compose로 서버 한 대에 설치합니다. 이미지, 라벨, 모델 파일은 모두 지정한 사내 디스크에 저장됩니다.
-
✓웹 브라우저만 있으면 사용별도 프로그램 설치 없이 사내망에서 접속합니다. 화면은 한국어로 제공됩니다.
-
✓검증된 오픈소스 기반MLflow, MinIO, PostgreSQL 등 널리 쓰이는 오픈소스를 하나의 화면으로 통합했습니다. 특정 벤더에 묶이지 않습니다.
-
✓객체 탐지 · 세그멘테이션불량 검출, 부품 인식, 영역 분할 등 이미지 기반 검사 모델을 만들 수 있습니다.
흩어진 이미지를 한곳에서 관리합니다
-
✓ZIP 업로드로 등록이미지와 라벨을 묶은 ZIP 파일을 올리면 포맷을 자동으로 인식합니다. COCO JSON, YOLO TXT를 지원하고, 라벨 없는 이미지만 올려도 됩니다.
-
✓썸네일 자동 생성업로드와 동시에 미리보기 이미지를 만들어, 수천 장의 데이터도 빠르게 훑어볼 수 있습니다.
-
✓상태가 한눈에처리 중, 준비됨, 실패 상태와 라벨 유무를 카드에 표시하고, 작업 유형과 상태로 걸러 볼 수 있습니다.
데이터의 상태를 숫자로 확인합니다
-
✓클래스 불균형 점검클래스별 라벨 개수를 막대로 비교해, 학습 전에 부족한 클래스를 찾아냅니다.
-
✓검수율 추적전체 이미지 중 검수가 끝난 비율을 보여 줍니다. 검수가 끝난 데이터만 골라 학습할 수도 있습니다.
-
✓클래스 필터특정 불량 유형이 포함된 이미지만 모아서 확인할 수 있습니다.
브라우저에서 바로 라벨링합니다
-
✓박스와 폴리곤객체 탐지용 바운딩 박스, 세그멘테이션용 폴리곤을 모두 그릴 수 있습니다.
-
✓클래스 관리에디터 안에서 클래스를 추가하고 선택합니다. 사용 중인 클래스는 실수로 지워지지 않게 보호됩니다.
-
✓검수 표시이미지를 순서대로 넘기며 작업하고, 이미지마다 '리뷰 대기'와 '리뷰 완료'를 버튼이나 단축키 R로 전환합니다.
AI가 초안을 만들고, 사람은 검수만 합니다
-
✓텍스트로 지정하는 자동 어노테이션찾을 대상의 이름을 클래스로 입력하면, AI 모델이 이미지에서 해당 객체를 찾아 박스와 폴리곤을 생성합니다. 사전 학습 없이 바로 쓸 수 있습니다.
-
✓데이터셋 단위 일괄 처리라벨이 없는 이미지만, 미검수 이미지만, 또는 전체를 대상으로 한 번에 실행합니다. 신뢰도 임계값으로 결과의 엄격함을 조절합니다.
-
✓끝나면 알림작업이 끝나면 성공 · 실패 건수가 알림 센터에 도착합니다. 그동안 다른 작업을 계속할 수 있습니다.
참고: 자동 어노테이션의 정확도는 대상과 이미지 특성에 따라 달라집니다. 일반적인 사물에 강하고, 미세 결함처럼 전문적인 대상은 사람의 검수와 보정이 필요합니다.
데이터셋 화면에서 학습을 시작합니다
-
✓입력은 최소한으로모델 이름과 유형(객체 탐지 · 세그멘테이션), Epoch 수만 정하면 됩니다. 배치 크기와 학습률은 자동으로 둘 수 있습니다.
-
✓데이터 분할과 변환 자동화학습 · 검증 · 테스트 분할과 학습용 포맷 변환을 플랫폼이 처리합니다. 스크립트를 작성할 필요가 없습니다.
-
✓전이 학습과 실험 자동 기록사전 학습된 모델에서 출발해 적은 데이터로도 빠르게 결과를 얻고, 하이퍼파라미터와 지표, 모델 파일은 MLflow에 자동으로 남습니다.
학습이 어디까지 왔는지 실시간으로
진행률, 손실 값, 정밀도 · 재현율 · mAP가 Epoch이 끝날 때마다 화면에 반영됩니다. 대기 · 실행 · 완료 · 실패 건수도 한눈에 확인합니다.
GPU 상태를 서버 접속 없이
GPU별 사용률, 메모리, 온도, 전력과 최근 1시간 추이, 실행 중인 프로세스, 드라이버 · CUDA 버전을 웹 화면에서 확인합니다.
모델이 얼마나 잘 배웠는지 근거로 판단합니다
-
✓시각화 자료 자동 생성학습 곡선, F1 · PR 곡선, 혼동 행렬 이미지를 학습이 끝나면 바로 볼 수 있고, 보고서용으로 내려받을 수 있습니다.
-
✓가중치 다운로드가장 성능이 좋았던 모델(best)과 마지막 모델(last)을 내려받습니다.
어떤 모델이 현장에 나가 있는지 기록으로 남깁니다
-
✓버전 관리같은 이름으로 등록할 때마다 버전이 올라가고, 버전별 지표를 표로 비교합니다.
-
✓스테이지None, Staging, Production, Archived 네 단계로 모델의 상태를 구분합니다. Production 승격 시 기존 버전은 자동으로 보관됩니다.
-
✓다운로드 이력모델 파일을 누가 언제 내려받았는지 기록이 남습니다.
데이터는 고객사 서버 밖으로 나가지 않습니다
검증된 오픈소스를 Docker Compose 하나로 묶어 고객사 GPU 서버에 설치합니다
고객사 GPU 서버 (Docker Compose)
온프레미스 설치
클라우드 계정이 필요 없습니다. 이미지와 모델은 설치한 서버의 디스크에만 저장됩니다.
저장소는 내부망에만
이미지 저장소(MinIO)는 외부에 직접 노출하지 않고, 이미지는 서버를 거쳐서만 전달됩니다.
단일 진입점
웹 화면, API, 실험 기록 화면을 하나의 주소로 제공합니다.
관리 스크립트 제공
시작, 중지, 재시작, 상태 확인을 스크립트 한 줄로 실행합니다.
주요 사양
| 구분 | 항목 | 내용 |
|---|---|---|
| 기능 | 학습 작업 | 객체 탐지, 인스턴스 세그멘테이션 |
| 기능 | 데이터 포맷 | COCO JSON, YOLO TXT, 라벨 없는 이미지 ZIP (JPG, PNG) |
| 기능 | 어노테이션 | 바운딩 박스, 폴리곤, AI 자동 어노테이션 |
| 기능 | 실험 · 모델 관리 | MLflow 기반 기록, 버전 · 스테이지(None · Staging · Production · Archived) |
| 기능 | 알림 | 학습 시작 · 완료 · 실패, 자동 어노테이션 결과 |
| 설치 환경 | 설치 방식 | Docker Compose (단일 서버), Ubuntu 24.04 LTS 기준 설치 스크립트 제공 |
| 설치 환경 | 하드웨어 | NVIDIA GPU (NVIDIA Container Toolkit), 메모리 16GB 이상 권장 |
| 설치 환경 | 소프트웨어 | Docker 20.10 이상, Docker Compose 2.0 이상 |
| 설치 환경 | 접속 · 언어 | 웹 브라우저 (Chrome 권장), 한국어 |
조건 기반 자동 재학습, 추론(Inference) API, 배포 이력 · 승인 관리는 현재 개발 중이며 일정은 별도로 안내드립니다.
도입 절차
상담부터 운영 지원까지 함께합니다
상담 · 데모
검사 대상과 데이터 현황을 듣고, 실제 화면으로 사용 흐름을 시연합니다.
환경 확인
보유한 GPU 서버의 사양과 네트워크 구성을 확인하고 설치 계획을 정합니다.
설치 · 데이터 등록
서버에 설치하고, 보유한 이미지와 라벨을 첫 데이터셋으로 등록합니다.
교육 · 운영 지원
라벨링부터 모델 등록까지 실습 중심으로 교육하고, 운영 중 문의에 대응합니다.
보유한 데이터로 데모를 받아 보세요
검사 대상과 이미지 샘플을 알려 주시면, 그 데이터에 맞춘 시연을 준비합니다.
화면 예시는 공개 데이터셋 DeepPCB(MIT License)와 Wikimedia Commons의 퍼블릭 도메인 · CC0 사진을 사용해 촬영했습니다. 기능과 화면은 버전에 따라 달라질 수 있습니다.