> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-serverless-sft-revamp.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# Artifacts 개요
> start_thought W&B Artifacts 개요, 작동 방식 및 시작 방법에 대해 알아봅니다.
export const TryProductLink = ({url}) =>
Try in W&B
;
export const ColabLink = ({url}) =>
Try in Colab
;
W\&B Artifacts 를 사용하여 [W\&B Runs](/models/runs/) 의 입력 및 출력으로 사용되는 데이터를 추적하고 버전을 관리하세요. 예를 들어, 모델 트레이닝 run 은 데이터셋을 입력으로 받아 트레이닝된 모델을 출력으로 생성할 수 있습니다. 하이퍼파라미터, 메타데이터, 메트릭을 run 에 로그할 수 있으며, Artifacts 를 사용하여 모델 트레이닝에 사용된 데이터셋을 입력으로, 결과물인 모델 체크포인트를 출력으로 로그, 추적 및 버전 관리할 수 있습니다.
## 유스 케이스
전체 ML 워크플로우에서 [runs](/models/runs/) 의 입력과 출력으로 Artifacts 를 사용할 수 있습니다. 데이터셋, 모델 또는 다른 Artifacts 를 처리 프로세스의 입력으로 사용할 수 있습니다.
| 유스 케이스 | 입력 | 출력 |
| --------------------------------- | -------------------- | ----------------------------- |
| 모델 트레이닝 (Model Training) | 데이터셋 (트레이닝 및 검증 데이터) | 트레이닝된 모델 |
| 데이터셋 전처리 (Dataset Pre-Processing) | 데이터셋 (원시 데이터) | 데이터셋 (전처리된 데이터) |
| 모델 평가 (Model Evaluation) | 모델 + 데이터셋 (테스트 데이터) | [W\&B Table](/models/tables/) |
| 모델 최적화 (Model Optimization) | 모델 | 최적화된 모델 |
다음 코드조각들은 순서대로 실행되어야 합니다.
## Artifact 생성하기
네 줄의 코드로 Artifact 를 생성하세요:
1. [W\&B run](/models/runs/) 을 생성합니다.
2. [`wandb.Artifact`](/models/ref/python/experiments/artifact) 를 사용하여 Artifact 오브젝트를 생성합니다.
3. `wandb.Artifact.add_file()` 을 사용하여 모델 파일이나 데이터셋과 같은 하나 이상의 파일을 Artifact 오브젝트에 추가합니다.
4. `wandb.Run.log_artifact()` 를 사용하여 W\&B 에 Artifact 를 로그합니다.
예를 들어, 다음 코드조각은 `dataset.h5` 라는 파일을 `example_artifact` 라는 이름의 Artifact 로 로그하는 방법을 보여줍니다:
```python theme={null}
import wandb
# run 생성 및 프로젝트 설정
with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
# Artifact 오브젝트 생성
artifact = wandb.Artifact(name="example_artifact", type="dataset")
# 파일 추가
artifact.add_file(local_path="./dataset.h5", name="training_dataset")
# Artifact 로그
run.log_artifact(artifact)
```
* Artifact 의 `type` 은 W\&B 플랫폼에서 어떻게 표시될지에 영향을 줍니다. `type` 을 지정하지 않으면 기본값은 `unspecified` 로 설정됩니다.
* 드롭다운의 각 레이블은 서로 다른 `type` 파라미터 값을 나타냅니다. 위의 코드조각에서 Artifact 의 `type` 은 `dataset` 입니다.
Amazon S3 버킷과 같은 외부 오브젝트 스토리지에 저장된 파일이나 디렉토리에 대한 참조를 추가하는 방법은 [외부 파일 추적 가이드](/models/artifacts/track-external-files/) 페이지를 참조하세요.
## Artifact 다운로드하기
[`wandb.Run.use_artifact()`](/models/ref/python/experiments/run#use_artifact) 메소드를 사용하여 run 의 입력으로 표시할 Artifact 를 지정합니다.
이전 코드조각에 이어, 다음 코드 예시는 이전에 생성된 `example_artifact` 라는 이름의 Artifact 를 사용하는 방법을 보여줍니다:
```python theme={null}
with wandb.init(project="artifacts-example", job_type="add-dataset") as run:
# "training_dataset" 아티팩트를 사용하는 run 오브젝트를 반환
artifact = run.use_artifact("training_dataset:latest")
```
이 코드는 Artifact 오브젝트를 반환합니다.
그 다음, 반환된 오브젝트를 사용하여 Artifact 의 모든 내용을 다운로드합니다:
```python theme={null}
# 전체 `my_data` 아티팩트를 기본 디렉토리에 다운로드합니다.
datadir = artifact.download()
```
`root` [파라미터](/models/ref/python/experiments/artifact) 에 커스텀 경로를 전달하여 Artifact 를 특정 디렉토리에 다운로드할 수 있습니다. Artifact 를 다운로드하는 다른 방법과 추가 파라미터는 [Artifact 다운로드 및 사용](/models/artifacts/download-and-use-an-artifact/) 가이드를 확인하세요.
## 다음 단계
* Artifact 의 [버전 관리](/models/artifacts/create-a-new-artifact-version/) 및 [업데이트](/models/artifacts/update-an-artifact/) 방법을 알아보세요.
* [Automations](/models/automations/) 를 사용하여 Artifact 의 변경 사항에 따라 다운스트림 워크플로우를 트리거하거나 Slack 채널에 알림을 보내는 방법을 알아보세요.
* 트레이닝된 모델을 보관하는 공간인 [Registry](/models/registry/) 에 대해 알아보세요.
* [Python SDK](/models/ref/python/experiments/artifact) 및 [CLI](/models/ref/cli/wandb-artifact/) 레퍼런스 가이드를 살펴보세요.
| 유스 케이스 | 입력 | 출력 |
| --------------------------------- | -------------------- | ----------------------------- |
| 모델 트레이닝 (Model Training) | 데이터셋 (트레이닝 및 검증 데이터) | 트레이닝된 모델 |
| 데이터셋 전처리 (Dataset Pre-Processing) | 데이터셋 (원시 데이터) | 데이터셋 (전처리된 데이터) |
| 모델 평가 (Model Evaluation) | 모델 + 데이터셋 (테스트 데이터) | [W\&B Table](/models/tables/) |
| 모델 최적화 (Model Optimization) | 모델 | 최적화된 모델 |