MLOps 접근 방식은 AI 모델을 효과적으로 관리하기 위해 필수적이며, BentoML은 모델의 상용화에서 발생할 수 있는 배포 문제를 해결하는데 유용하게 사용된다. BentoML의 Swagger UI를 활용한 API 명세 관리는 엔드포인트, 요청 및 응답 구조, 배포 상태 등을 명확하게 문서화하여 모델 운영의 안정성을 높이고 디버깅과 유지보수를 용이하게 한다. 모델은 Kubeflow에서 자동화된 파이프라인을 통해 실행되며, 모델의 전체 워크플로우를 관리하고 머신러닝과 딥러닝 프레임워크와 통합을 지원하여 작업의 일관성을 보장한다. 연구 결과, 모든 평가 항목에서 BentoML의 성능이 더 우수한 것으로 나타났으며, 이는 모델 배포 및 관리를 위한 BentoML의 통합 기능이 유사한 사례에서 최적의 성능을 위해 추가 구성이 필요한 경우 FastAPI와 같은 프레임워크에 비해 우수한 선택임을 보여준다.

객체 탐지 모델의 성능 향상에는 모델의 정확도뿐만 아니라 이미지에서 특정 객체를 식별하고 이를 정확하게 구분하는 어노테이션의 품질이 중요한 역할을 한다. 기존의 데이터 구축 방식은 수작업으로 이루어져 시간이 많이 소요되고 오류가 발생할 가능성이 높다. 특히, XML, TXT, JSON 등 다양한 형식의 어노테이션이 혼재되어 모델 학습에 어려움을 초래한다. 이에 본 논문에서는 어노테이션 형식을 XML로 통일하고, PyTorch, TensorFlow 등의 딥러닝 프레임워크를 통한 객체 탐지 모델의 사전 학습된 가중치를 활용하여 고품질 어노테이션 데이터를 자동으로 생성하는 프로세스를 설계하였다. 또한, Kubeflow를 기반으로 자동화된 파이프라인을 구성하여 어노테이션 성능을 실험한 결과, mAP 기준 0.58에서 0.83 사이의 높은 성능을 달성하였다. 본 논문은 객체 탐지 데이터셋 구축의 효율성과 정확성을 동시에 향상시키는데 기여할 것으로 기대된다.