Skip to main content
MLOps 플랫폼입니다. 실험 관리, 데이터 버전 관리, 파이프라인 자동화, 모델 배포까지 머신러닝 전체 라이프사이클을 관리합니다.

​
어디에 쓰이나요?

  • 실험 관리: 코드 한 줄 추가로 학습 실험의 모든 정보를 자동 기록 (파라미터, 메트릭, 환경 정보, Git 커밋)
  • 데이터 관리: 학습 데이터셋의 버전 관리 및 변경 추적
  • 파이프라인: 데이터 전처리 → 학습 → 평가 → 배포까지의 워크플로우 자동화
  • 원격 실행: 로컬에서 작성한 코드를 GPU 서버에서 자동 실행
  • 모델 서빙: 학습된 모델을 API로 배포 및 모니터링
MLflow와 비교하면 자동 기록 기능이 강점입니다. 코드에 Task.init() 한 줄만 추가하면 파라미터, 메트릭, 출력, 모델 파일을 자동으로 기록합니다.

​
Docker Compose

ClearML 서버는 공식 저장소의 Docker Compose 파일을 사용합니다. 
git clone https://github.com/allegroai/clearml-server.git
cd clearml-server/docker
cp example.env .env
.env 파일에서 필요한 설정을 수정합니다. 
docker compose up -d

​
접속 확인

브라우저에서 http://localhost:8080으로 접속합니다. 초기 접속 시 계정을 생성합니다.

​
기본 정보

항목값
웹 UI 포트8080
API 포트8008
파일 서버 포트8081

​
Python SDK 연동

from clearml import Task

task = Task.init(project_name="my-project", task_name="training-v1")

# 이후 코드에서 발생하는 모든 로그, 메트릭, 모델이 자동 기록됨

​
라이선스

구분내용
라이선스Apache License 2.0 (Community), 상용 라이선스 (Enterprise)
개인 사용자유롭게 사용 가능
상업적 사용Community는 자유롭게 사용 가능. Enterprise는 RBAC, SSO, 우선 지원 등 추가 기능 포함

​
참고

​
설치 점검 목록

  • docker compose up -d 후 docker compose ps로 컨테이너 상태를 확인했습니다.
  • 기본 포트/계정/비밀번호를 문서대로 점검했습니다.
  • 운영용으로 사용할 때 기본 비밀번호/시크릿 값을 변경했습니다.
  • 장애 분석을 위해 docker compose logs -f 확인 방법을 숙지했습니다.

​
문제 해결 가이드

  • 컨테이너가 실행되지 않으면 docker compose logs -f로 오류 원인을 먼저 확인합니다.
  • 포트 충돌이 나면 기존 프로세스를 종료하거나 포트 매핑 값을 변경합니다.
  • 이미지 pull 실패 시 네트워크 연결 및 레지스트리 접근 권한을 확인합니다.
  • 설정 변경 후 문제가 지속되면 docker compose down 후 다시 up -d로 재기동합니다.

​
관련 문서

Setup 홈

운영체제별 설치 흐름을 다시 확인합니다.

다음: JupyterHub

다음 설치 단계를 이어서 진행합니다.