Weights & Biases (W&B)를 이용해서 학습/추적/비교/공유까지

🟣 W&B

항목	TensorBoard	W\&B
설치 및 연동	로컬 서버 필요	클라우드 기반, 바로 공유 가능
실험 추적	로그 저장만 가능	실험 비교, config 기록, resume까지
시각화	제한적	예쁜 대시보드, 다양한 뷰 (Loss, 이미지, Grad 등)
협업	X (로컬 전용)	O (링크 공유, 팀 협업)
커스터마이징	제한됨	코드 + GUI + Sweep 가능
이미지 로그	가능하지만 불편함	.log_image()로 간편하게 지원

⚪ 학습 관리 도구 3대장 비교 tqdm vs. TensorBaord vs. W&B

구분	tqdm	TensorBoard	W&B (Weights & Biases)
핵심 역할	단순 진행률 표시줄 (Progress Bar)	로컬 시각화 대시보드 (Local Visualization)	ML 실험 관리 플랫폼 (Experiment Tracking Platform)
주요 기능	- 루프(loop) 진행 상태 시각화 - 예상 완료 시간(ETA) 표시 - 간단한 커스터마이징	- Loss, Accuracy 등 지표 추적 - 모델 그래프 시각화 - 이미지, 오디오 데이터 로깅 - 가중치, 그래디언트 분포 확인	- TensorBoard의 모든 기능 포함 - 자동 환경 저장 (Git commit, requirements.txt) - 하이퍼파라미터 최적화 (Sweeps) - 팀 협업 및 보고서 생성 - 모델/데이터셋 버전 관리 (Artifacts)
적합한 상황	간단한 스크립트, 데이터 전처리, 로컬 환경에서 빠른 확인	개인 연구, 중소규모 프로젝트, 오프라인 환경에서의 실험	체계적인 실험 관리, 팀 프로젝트, 재현성 확보, 클라우드 기반의 복잡한 실험
비용	무료 (오픈소스)	무료 (오픈소스)	개인/학술용 무료, 팀/기업용 유료
장점	가볍고, 직관적이며, 설치가 매우 쉽다.	PyTorch/TensorFlow와 기본 연동되어 접근성이 좋다.	가장 강력하고 기능이 많다. 실험의 모든 것을 기록하고 관리할 수 있다.
단점	기능이 매우 제한적.	원격 서버 접속이나 팀 공유가 번거롭다.	외부 서비스 의존, 인터넷 연결 필요, 유료 플랜의 압박.