Outpost VFX가 AWS 기반 다중 GPU 훈련으로 얼굴 교체 모델 학습 속도를 8배 개선한 사례

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

영화·에피소드 VFX 제작에서 감독 초기 승인용 얼굴 합성물 생성은 반복적인 수작업과 긴 대기시간으로 제작 일정을 지연시켰다. Outpost VFX는 기존 RTX 3090 기반 워크스테이션에서 1~2주가 걸리던 파인튜닝을 Amazon EC2 P5 인스턴스 기반의 다중 GPU 분산 학습으로 전환해 훈련 속도를 8배로 향상시켰으며 이 과정에서 코드베이스를 분산 학습에 맞게 개조하고 보안 격리 환경을 유지했다. 결과적으로 더 큰 데이터셋과 고해상도 이미지를 처리할 수 있게 되어 승인 반복 주기가 단축되고 제작 비용과 일정에 긍정적 영향을 미쳤으나 분산 환경의 설정과 관리, 통신 오버헤드 등 운영적 고려사항이 남아 있다.

섹션별 상세

영상 VFX 제작 과정에서 초기 감독 승인용 얼굴 합성물 생성은 반복적이고 시간이 많이 소요되는 단계여서 전체 제작 일정에 병목을 초래했다. Outpost VFX는 온셋 촬영 데이터를 활용해 모델을 파인튜닝하는 방법으로 이 과정을 자동화하려 했으나 기존에는 단일 GPU 기반의 워크스테이션에서 RTX 3090으로 1~2주가량 소요되는 파인튜닝 시간이 문제였다. 이로 인해 반복적인 승인 사이클에서 지연과 비용 증가가 발생했고 더 큰 데이터셋이나 고해상도 입력을 처리하기 어려웠다.

병목을 해소하기 위해 팀은 세 가지 요구사항을 정리했고 그 가운데 핵심은 다중 GPU로 훈련을 병렬화하는 것이었다. 기존 코드베이스를 수정해 분산 학습을 지원하도록 만들고 Amazon EC2의 P5 인스턴스 환경에서 여러 GPU를 묶어 VRAM과 연산을 확장했다. 보안 요구사항을 충족하기 위해 격리된 클라우드 환경과 기존 가상화 스택과의 정합성을 유지하면서 인프라를 구성했다.

구현 결과 Outpost VFX는 AWS 인프라를 활용해 훈련 속도를 8배 가속했다고 보고했고 이는 단일-GPU 환경에서 주당 소요되던 파인튜닝 시간을 크게 단축한 효과를 낳았다. 분산 학습은 동일한 모델 파라미터를 여러 GPU에 분산하고 통신으로 경사도를 동기화하는 방식으로 처리량을 늘렸으며 고해상도 이미지와 더 큰 데이터셋을 다룰 수 있게 했다. 이러한 변화는 감독 승인 반복 주기를 단축하고 제작 일정과 비용 측면에서 직접적인 개선을 가져왔다.

용어 해설

P5 인스턴스(P5 instance): — NVIDIA 기반의 대규모 GPU 클러스터를 제공하는 AWS EC2 인스턴스로, 대용량 모델의 분산 학습과 대규모 VRAM 공유에 최적화되어 고해상도 이미지 처리를 가속한다.
분산 학습(Distributed Training): — 단일 GPU의 메모리와 연산 한계를 넘기기 위해 여러 GPU에 데이터와 연산을 분배해 동시 학습을 수행하는 방식으로, 통신 오버헤드를 조정해 속도와 처리 용량을 확장한다.
비디오 랜덤 액세스 메모리(VRAM): — GPU가 이미지와 모델 파라미터를 저장하는 전용 메모리로, 고해상도 프레임과 대형 배치 처리를 위해 충분한 VRAM이 있어야 학습 속도와 품질이 확보된다.
RTX 3090: — 개별 워크스테이션에서 널리 쓰이는 고성능 GPU로서 단일 GPU 환경에서의 파인튜닝에 사용되지만 대규모 병렬 학습에서는 메모리와 관리 오버헤드가 제약이 된다.
얼굴 교체(Face replacement): — 영상에서 배우의 얼굴을 다른 얼굴로 합성하는 VFX 워크플로로, 온셋 촬영 데이터로 모델을 파인튜닝해 자연스러운 표정·조명 일치와 연속성을 확보하는 것이 핵심 목적이다.

기술

Amazon EC2 P5
RTX 3090

활용 사례

얼굴 교체(face replacement) VFX 파이프라인 가속
온셋 촬영 데이터 기반 온프라/클라우드 파인튜닝

언급된 리소스

문서Generative AI Innovation Center