컴포넌트 확장

새로운 Model, Loss, Dataset 등 추가하기

1. 컴포넌트 추가 위치

• cvlabkit/component 디렉토리 하위에 컴포넌트 타입에 맞는 디렉토리를 생성하고, 그 안에 구현체를 추가합니다.
• 예를 들어, 새로운 loss 함수를 추가하려면 cvlabkit/component/loss 디렉토리에 my_loss.py 파일을 생성하고, 그 안에 MyLoss 클래스를 구현합니다.

cvlabkit/
└── component/
    ├── loss/
    │   ├── cross_entropy.py
    │   └── my_loss.py  # <--- 여기에 추가
    └── model/
        └── ...

2. 추상 클래스 상속

• cvlabkit/component/base 모듈의 추상 클래스를 상속받아 필요한 메서드를 구현합니다.
• 기존에 구현된 컴포넌트를 활용할 경우, 합성(Composition) 패턴을 활용하여 객체를 생성한 뒤, 필요한 메서드를 재정의하여 사용할 수 있습니다.

## cvlabkit/component/optimizer/adamw.py
import torch.optim as optim
from cvlabkit.component.base import Optimizer

class AdamW(Optimizer):
    def __init__(self, cfg, parameters):
        super().__init__()
        self.opt = optim.AdamW(parameters, lr=cfg.get("lr", 1e-3))

    def step(self):
        self.opt.step()

3. 설정 값 반영

• YAML 파일에 구현한 컴포넌트명을 값으로 등록합니다.

optimizer: adamw

4. 자동 로딩

• 학습 스크립트에서는 별도 import 없이 YAML 수정만으로, 기존에 구성된 구조를 유지하며 새로운 컴포넌트를 자동으로 로드할 수 있습니다.
• 예를 들어, Agent에서 create.optimizer 함수를 그대로 유지해도, yaml의 optimizer에 해당하는 값이 "adamw"로 변경되었으므로, AdamW에 해당하는 Optimizer 구현체를 생성할 수 있습니다.

opt = create.optimizer(model.parameters())

5. 자동 로딩 테스트

• main.py을 수행하여 새로운 컴포넌트가 올바르게 로드되는지 확인합니다.

---

관련 문서

• 개발자 가이드
• 아키텍처
• 설정 예제