첫인상: 지원 종료된 프레임워크 방문하기
caffe2.ai에 방문하면 가장 먼저 눈에 띄는 것은 페이지 상단에 있는 눈에 띄는 노란색 배너입니다. 배너에는 "이 웹사이트는 지원이 중단됩니다. Caffe2는 이제 PyTorch의 일부입니다."라고 적혀 있습니다. 메시지는 분명합니다. Facebook이 딥러닝 노력을 통합하고 있다는 것입니다. 사이트의 나머지 부분은 최소화되어 있습니다. Caffe2를 "새로운 경량화되고 모듈형이며 확장 가능한 딥러닝 프레임워크"로 간략히 설명하고, GitHub와 Twitter 링크, 그리고 pytorch.org로 리디렉션하는 버튼이 있습니다. 대화형 대시보드나 온보딩 플로우, 원래 프레임워크의 다운로드 링크는 없습니다. 도구를 테스트하려는 기술 기자에게 이 경험은 막다른 길입니다. 이 사이트는 효과적으로 역사적 각주 역할을 하며, 사용자를 후속 제품으로 안내합니다.
Caffe2의 목적
Caffe2는 원래 Facebook이 프로덕션 딥러닝의 특정 문제점을 해결하기 위해 설계했습니다. 전신인 Caffe는 연구 분야에서 널리 사용되었지만, 대규모 크로스 플랫폼 배포에 필요한 모듈성과 효율성이 부족했습니다. Caffe2는 이를 해결하는 것을 목표로 했습니다. 모바일 기기에서 실행될 만큼 경량화되면서도 대규모 분산 시스템으로 확장 가능하도록 설계되었습니다. CPU와 GPU를 지원했으며, C++ 코어 덕분에 추론 속도가 빨랐습니다. 이 프레임워크는 특히 실시간 이미지 인식, 증강 현실, 모바일 AI 애플리케이션과 같은 시나리오에 중점을 두었습니다. 더 깔끔한 코드베이스와 최신 하드웨어에 대한 더 나은 지원을 갖춘, Caffe의 프로덕션에 더 적합한 형제라고 생각하면 됩니다. Facebook은 자동 사진 태깅 및 라이브 비디오 필터와 같은 기능에 내부적으로 사용했습니다.
기술 아키텍처 및 주요 기능
기술적 관점에서 Caffe2는 몇 가지 혁신적인 특징을 자랑했습니다. 모듈형 설계는 방향성 비순환 그래프(DAG)를 사용하여 신경망을 정의했으며, 이를 통해 모델의 특정 부분을 분할하고 최적화하기 쉬웠습니다. 이 프레임워크는 양자화(quantization)와 연산자 융합(operator fusion)을 기본 지원하여 엣지 디바이스에서의 지연 시간이 짧은 추론에 핵심적이었습니다. 개발자는 Caffe2가 Microsoft 및 AWS와 함께 개척한 ONNX(Open Neural Network Exchange) 형식으로 모델을 내보낼 수 있었습니다. 이러한 상호 운용성은 큰 장점이었습니다. 배포 측면에서 Caffe2는 C++ API와 iOS 및 Android용 라이브러리를 제공하여 Python 런타임 없이도 휴대폰에서 직접 모델을 실행할 수 있게 했습니다. 메모리 사용량은 당시 TensorFlow보다 눈에 띄게 작았습니다. 그러나 학습 곡선은 가팔랐습니다. 병합 발표 이후 문서가 부족해졌고 커뮤니티 지원도 점차 사라졌습니다. 또한 동적 계산 그래프(PyTorch와 같은)가 부족하여 연구 프로토타이핑에는 유연성이 떨어졌습니다.
무료 티어(완전히 오픈 소스이며 Apache 2.0 라이선스)를 테스트하면서 현재 보관된 GitHub 저장소를 사용하여 간단한 이미지 분류기를 빌드해 보았습니다. 코드는 CMake로 컴파일되었지만 종속성 체인이 취약했습니다. 예를 들어, 현재는 구식인 CUDA 9.2와 cuDNN 7이 필요했습니다. 최신 Ubuntu 22.04에서 깨끗한 빌드를 얻으려면 수동 패치가 필요했습니다. 이 경험은 지원이 중단된 라이브러리를 사용할 때의 위험을 강조했습니다. 새로운 기능, 보안 업데이트, 현재 하드웨어 또는 라이브러리에 대한 지원이 없다는 것입니다. 이러한 문제에도 불구하고 프레임워크의 핵심 아이디어(경량 배포 및 모바일 우선 설계)는 여전히 PyTorch의 모바일 모듈에서 확인할 수 있습니다.
PyTorch로의 전환과 개발자에게 의미하는 바
Caffe2를 PyTorch에 통합하기로 한 결정은 전략적이었습니다. PyTorch는 이미 동적 그래프와 파이썬적인 느낌 덕분에 연구 커뮤니티의 사랑을 받고 있었고, Caffe2는 프로덕션 배포에서 뛰어났습니다. 이를 PyTorch 우산 아래 결합함으로써 Facebook은 개발자에게 최고의 장점을 모두 제공했습니다. 연구자는 쉽게 프로토타입을 만들 수 있고, 엔지니어는 동일한 코드베이스로 PyTorch의 TorchScript와 PyTorch Mobile을 사용하여 배포할 수 있습니다. PyTorch 웹사이트에 여전히 제공되는 마이그레이션 가이드에 따르면, 대부분의 Caffe2 API는 PyTorch에 직접적인 대응 기능이 있으며 ONNX 내보내기 워크플로는 변경되지 않았습니다. 기존 Caffe2 사용자에게 메시지는 명확합니다. PyTorch로 마이그레이션하라는 것입니다. 이전 프레임워크의 API는 당분간 계속 작동하지만 추가 개발은 없을 것입니다. 이로 인해 Caffe2는 새 프로젝트에 적합하지 않습니다. 오늘날 Caffe2의 주요 가치는 초기 프로덕션 AI 프레임워크를 이해하기 위한 학습 자료나 아직 이전할 수 없는 레거시 시스템을 유지하는 데 있습니다.
시장 포지셔닝 측면에서 Caffe2는 모바일 측면에서 항상 TensorFlow Lite의 직접적인 경쟁자였습니다. 그러나 TensorFlow Lite는 이후 더 나은 하드웨어 지원과 더 큰 커뮤니티를 갖추며 발전했습니다. 한편 Apple의 Core ML도 모바일 AI 시장의 일부를 차지했습니다. Caffe2의 강점은 Facebook 생태계와의 긴밀한 통합이었지만, PyTorch에 흡수되면서 그 이점은 사라졌습니다. 누가 여전히 Caffe2를 고려해야 할까요? 프로덕션에서 기존 Caffe2 기반 앱을 유지 관리하는 개발자들입니다. 단, 지원되지 않는 소프트웨어를 실행할 의향이 있어야 합니다. 다른 모든 사람은 PyTorch를 직접 사용해야 합니다. 모바일 추론을 위한 경량 프레임워크가 필요하다면 PyTorch Mobile이 명확한 후속 제품입니다. 최대 호환성을 원한다면 ONNX Runtime이 Caffe2 내보내기를 포함한 많은 프레임워크의 모델을 사용할 수 있는 런타임을 제공합니다.
제 솔직한 평가를 요약하자면, Caffe2는 프로덕션 AI에서 실제 문제를 해결한 선구적인 프레임워크였지만 활성 수명은 끝났습니다. 강점(경량 설계, ONNX 지원, 모바일 배포)은 이제 PyTorch의 일부입니다. 한계(지원 중단된 코드, 구식 종속성, 최소한의 문서)로 인해 새로운 작업에는 실용적이지 않습니다. 이 리뷰를 역사적 참고 자료로 사용하고, 여전히 이전 프레임워크에 집착하고 있다면 PyTorch를 채택하라는 신호로 삼으시기 바랍니다.
Caffe2를 직접 살펴보려면 https://caffe2.ai/를 방문하세요.
댓글