> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-feat-cli-docs-generator.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Artifacts

> W&B Artifacts 에 대한 개요, 작동 방식, Artifacts 사용 시작 방법

<CardGroup cols={2}>
  <Card title="Try in Colab" href="https://colab.research.google.com/github/wandb/examples/blob/master/colabs/wandb-artifacts/Artifact_fundamentals.ipynb" icon="python" />

  <Card title="Try in W&B" href="https://wandb.ai/wandb/arttest/artifacts/model/iv3_trained/5334ab69740f9dda4fed/lineage" icon="sliders-up" />
</CardGroup>

W\&B Artifacts를 사용하여 데이터를 [W\&B Runs](/ko/models/runs/)의 입력 및 출력으로 추적하고 버전을 관리하세요. 예를 들어, 모델 트레이닝 run은 데이터셋을 입력으로 사용하고 트레이닝된 모델을 출력으로 생성할 수 있습니다. 하이퍼파라미터, 메타데이터, 메트릭을 run에 기록하고, 아티팩트를 사용하여 모델 트레이닝에 사용된 데이터셋을 입력으로, 결과 모델 체크포인트를 출력으로 기록, 추적 및 버전 관리할 수 있습니다.

## 유스 케이스

[runs](/ko/models/runs/)의 입력 및 출력으로 전체 ML 워크플로우에서 아티팩트를 사용할 수 있습니다. 데이터셋, 모델 또는 기타 아티팩트를 처리 입력으로 사용할 수 있습니다.

<Frame>
  <img src="https://mintcdn.com/wb-21fd5541-feat-cli-docs-generator/FAQtpcY8_qbt118R/images/artifacts/artifacts_landing_page2.png?fit=max&auto=format&n=FAQtpcY8_qbt118R&q=85&s=bd78a6a03481a9c8009dbb57d4c834e0" width="1991" height="503" data-path="images/artifacts/artifacts_landing_page2.png" />
</Frame>

| 유스 케이스   | 입력                   | 출력                               |
| -------- | -------------------- | -------------------------------- |
| 모델 트레이닝  | 데이터셋 (트레이닝 및 검증 데이터) | 트레이닝된 모델                         |
| 데이터셋 전처리 | 데이터셋 (raw 데이터)       | 데이터셋 (전처리된 데이터)                  |
| 모델 평가    | 모델 + 데이터셋 (테스트 데이터)  | [W\&B Table](/ko/models/tables/) |
| 모델 최적화   | 모델                   | 최적화된 모델                          |

<Note>
  다음 코드 조각은 순서대로 실행해야 합니다.
</Note>

## 아티팩트 만들기

다음 네 줄의 코드로 아티팩트를 만드세요:

1. [W\&B run](/ko/models/runs/)을 만듭니다.
2. [`wandb.Artifact`](/ko/models/ref/python/artifact) API로 아티팩트 오브젝트를 만듭니다.
3. 모델 파일 또는 데이터셋과 같은 파일을 아티팩트 오브젝트에 하나 이상 추가합니다.
4. 아티팩트를 W\&B에 기록합니다.

예를 들어, 다음 코드 조각은 `dataset.h5` 파일을 `example_artifact`라는 아티팩트에 기록하는 방법을 보여줍니다:

```python theme={null}
import wandb

run = wandb.init(project="artifacts-example", job_type="add-dataset")
artifact = wandb.Artifact(name="example_artifact", type="dataset")
artifact.add_file(local_path="./dataset.h5", name="training_dataset")
artifact.save()

# "my_data" 아티팩트 버전을 dataset.h5의 데이터와 함께 데이터셋으로 기록합니다.
```

<Note>
  Amazon S3 버킷과 같은 외부 오브젝트 스토리지에 저장된 파일 또는 디렉토리에 대한 참조를 추가하는 방법에 대한 자세한 내용은 [외부 파일 추적](/ko/models/artifacts/track-external-files/) 페이지를 참조하십시오.
</Note>

## 아티팩트 다운로드

[`use_artifact`](/ko/models/ref/python/run#use_artifact) 메소드를 사용하여 run에 대한 입력으로 표시할 아티팩트를 지정합니다.

이전 코드 조각에 따라 다음 코드 블록은 `training_dataset` 아티팩트를 사용하는 방법을 보여줍니다.

```python theme={null}
artifact = run.use_artifact(
    "training_dataset:latest"
)  # "my_data" 아티팩트를 사용하여 run 오브젝트를 반환합니다.
```

이것은 아티팩트 오브젝트를 반환합니다.

다음으로, 반환된 오브젝트를 사용하여 아티팩트의 모든 내용을 다운로드합니다.

```python theme={null}
datadir = (
    artifact.download()
)  # `my_data` 아티팩트 전체를 기본 디렉토리에 다운로드합니다.
```

<Note>
  `root` [파라미터](/ko/models/ref/python/artifact)에 사용자 지정 경로를 전달하여 특정 디렉토리에 아티팩트를 다운로드할 수 있습니다. 아티팩트를 다운로드하는 다른 방법과 추가 파라미터를 보려면 [아티팩트 다운로드 및 사용](/ko/models/artifacts/download-and-use-an-artifact/) 가이드를 참조하세요.
</Note>

## 다음 단계

* 아티팩트 [버전 관리](/ko/models/artifacts/create-a-new-artifact-version/) 및 [업데이트](/ko/models/artifacts/update-an-artifact/) 방법에 대해 알아보세요.
* [자동화](/ko/models/core/automations/)를 통해 아티팩트 변경에 대한 응답으로 다운스트림 워크플로우를 트리거하거나 Slack 채널에 알리는 방법에 대해 알아보세요.
* 트레이닝된 모델을 보관하는 공간인 [레지스트리](/ko/models/core/registry/)에 대해 알아보세요.
* [Python SDK](/ko/models/ref/python/artifact) 및 [CLI](/ko/models/ref/cli/wandb-artifact/) 참조 가이드를 살펴보세요.