macOS 딥러닝 모델 저장 위치 완벽 가이드: 전문가가 정리한 로컬 캐시 관리법

macOS에서 딥러닝 개발을 하다 보면 다양한 플랫폼과 프레임워크에서 모델들이 로컬에 저장되는데, 이들이 어디에 저장되고 어떻게 관리되는지 파악하기 어려울 때가 있습니다. 특히 디스크 공간이 부족하거나 모델을 정리해야 할 때 각 시스템이 어떻게 캐시 및 모델 데이터를 관리하는지 알아야 효율적으로 관리할 수 있습니다. 이번 포스트에서는 전문가 시각에서 macOS의 주요 딥러닝 플랫폼별 모델 저장 위치를 체계적으로 정리해드리겠습니다.

주요 딥러닝 플랫폼별 모델 저장 위치

플랫폼 / 프레임워크	경로	설명
Ollama	`~/.ollama/models/`	Ollama 전용 모델 저장소. `blobs`에 모델 바이너리, `manifests`에 메타데이터 저장.
LM Studio	`~/.lmstudio/models/`	LM Studio에서 다운로드한 GGUF/MLX 기반 모델 저장 위치. 모델 이름 별로 폴더 관리.
Hugging Face Transformers	`~/.cache/huggingface/hub/`	`models--<org>--<model>` 구조로 저장되며, PyTorch, GGUF, Safetensors 등 다양한 포맷 지원.
PyTorch Hub	`~/.cache/torch/hub/`	`torch.hub.load()` 호출 시 사용됨. 레포지토리 clone 및 모델 weight 저장.
Diffusers (Stable Diffusion)	`~/.cache/huggingface/diffusers/` 또는 `huggingface/hub/` 내	텍스트-투-이미지 모델이나 LoRA, VAE 등이 저장됨.
Transformers Datasets	`~/.cache/huggingface/datasets/`	모델이 아닌 학습/테스트용 데이터셋 저장 경로.
TensorFlow / Keras	`~/.keras/models/` 또는 `~/.keras/datasets/`	Keras의 `load_model` 및 `get_file()` 함수 사용 시 캐싱되는 모델/데이터 위치.
MLX (Apple Metal용)	`~/Library/Application Support/mlx/` 또는 LM Studio 내부	MLX로 컴파일된 모델 캐시가 저장되는 경우가 있음 (환경설정에 따라 다름).
DiffusionBee (GUI SD 앱)	`~/Library/Application Support/DiffusionBee/`	Stable Diffusion GUI 앱인 DiffusionBee에서 모델, LoRA 등 저장하는 위치.
Automatic1111 / WebUI	사용자 지정 경로 (예: `~/stable-diffusion-webui/models/`)	사용자가 clone하거나 WebUI 설정에 따라 달라짐. Git 레포와 연결된 폴더 구조.

실제 디렉토리 구조 예시

실제 사용자 시스템에서는 다음과 같은 구조로 모델들이 저장됩니다:

# Hugging Face 모델 예시
~/.cache/huggingface/hub/models--facebook--opt-1.3b/
~/.cache/huggingface/hub/models--microsoft--DialoGPT-medium/
~/.cache/huggingface/hub/models--runwayml--stable-diffusion-v1-5/

# LM Studio 모델 예시
~/.lmstudio/models/lmstudio-community/Meta-Llama-3-8B-Instruct-GGUF/
~/.lmstudio/models/microsoft/Phi-3-mini-4k-instruct-gguf/

# Ollama 모델 예시
~/.ollama/models/blobs/
~/.ollama/models/manifests/

이런 구조를 보면 다음과 같은 특징이 있습니다:

huggingface/hub: 다양한 프레임워크가 통합적으로 사용하는 범용 캐시.
ollama / lmstudio: 독립 앱 기반으로 자체 모델 경로 관리. 이름이나 구조가 고유함.
파일 크기가 크므로 디스크 공간 관리에 유의해야 하며, 심볼릭 링크를 활용한 다른 드라이브로의 이동도 추천됩니다.

저장소별 파일 형식 상세 분석

Hugging Face Hub (`~/.cache/huggingface/hub/`)

Hugging Face는 가장 다양한 파일 형식을 지원합니다:

models--facebook--opt-1.3b/
├── snapshots/
│   └── abc123def.../
│       ├── config.json              # 모델 설정 파일
│       ├── pytorch_model.bin        # PyTorch 바이너리 형식
│       ├── model.safetensors        # SafeTensors 형식 (권장)
│       ├── tokenizer.json           # 토크나이저 설정
│       ├── tokenizer_config.json    # 토크나이저 메타데이터
│       └── special_tokens_map.json  # 특수 토큰 매핑

주요 파일 형식:

.safetensors: 메모리 안전한 텐서 직렬화 형식, 빠른 로딩 지원
.bin (PyTorch): 전통적인 PyTorch pickle 형식
.h5 (TensorFlow/Keras): HDF5 기반 TensorFlow 형식
.gguf: Quantized 모델용 GGML 후속 형식

Ollama (`~/.ollama/models/`)

Ollama는 자체적인 모델 관리 시스템을 사용합니다:

~/.ollama/models/
├── blobs/
│   ├── sha256:abc123...    # 실제 모델 바이너리 (GGUF 기반)
│   ├── sha256:def456...    # 레이어별로 분할된 모델 조각들
│   └── sha256:ghi789...
└── manifests/
    └── registry.ollama.ai/
        └── library/
            └── llama2/
                └── 7b      # 모델 버전별 manifest

특징:

Content-addressable storage: SHA256 해시 기반 중복 제거
GGUF 기반: 양자화된 모델 형식으로 메모리 효율적
레이어 분할: 큰 모델을 여러 조각으로 나누어 관리

LM Studio (`~/.lmstudio/models/`)

LM Studio는 주로 GGUF 형식의 모델을 저장합니다:

~/.lmstudio/models/
└── microsoft/
    └── Phi-3-mini-4k-instruct-gguf/
        ├── Phi-3-mini-4k-instruct-f16.gguf      # FP16 정밀도
        ├── Phi-3-mini-4k-instruct-q4_k_m.gguf   # 4-bit 양자화
        ├── Phi-3-mini-4k-instruct-q8_0.gguf     # 8-bit 양자화
        └── README.md

GGUF 양자화 레벨:

f16: 16-bit 부동소수점 (원본 품질)
q8_0: 8-bit 양자화 (높은 품질)
q4_k_m: 4-bit 양자화 (균형)
q2_k: 2-bit 양자화 (최소 크기)

PyTorch Hub (`~/.cache/torch/hub/`)

PyTorch Hub는 Git 레포지토리 기반으로 모델을 관리합니다:

~/.cache/torch/hub/
├── checkpoints/
│   ├── resnet50-19c8e357.pth        # 사전훈련된 가중치
│   ├── vgg16-397923af.pth
│   └── bert-base-uncased.tar.gz
└── facebookresearch_detr_main/      # Git clone된 레포지토리
    ├── models/
    ├── util/
    └── hubconf.py

특징:

.pth: PyTorch 네이티브 체크포인트 형식
Git 기반: 모델 코드와 가중치를 함께 관리
체크섬 검증: 파일 무결성 자동 검증

TensorFlow/Keras (`~/.keras/`)

Keras는 다양한 형식으로 모델을 저장합니다:

~/.keras/
├── models/
│   ├── vgg16_weights_tf_dim_ordering_tf_kernels.h5
│   ├── resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5
│   └── bert_uncased_L-12_H-768_A-12.tar.gz
└── datasets/
    ├── mnist.npz
    ├── cifar-10-batches-py.tar.gz
    └── imdb.npz

파일 형식:

.h5: HDF5 형식, 계층적 데이터 구조
.pb: Protocol Buffer, TensorFlow SavedModel 형식
.tflite: TensorFlow Lite, 모바일/엣지 최적화

고급 관리 팁

캐시 경로 변경

각 프레임워크의 캐시 경로는 환경변수로 변경할 수 있습니다:

# Hugging Face 캐시 경로 변경
export HF_HOME="/Volumes/ExternalDrive/huggingface"

# PyTorch 캐시 경로 변경  
export TORCH_HOME="/Volumes/ExternalDrive/torch"

# Ollama 모델 경로 변경
export OLLAMA_MODELS="/Volumes/ExternalDrive/ollama"

# TensorFlow 캐시 경로 변경
export TFHUB_CACHE_DIR="/Volumes/ExternalDrive/tensorflow"

용량 확인 및 관리

디스크 사용량을 확인하고 관리하는 명령어들입니다:

# 각 저장소별 용량 확인
du -sh ~/.ollama/models
du -sh ~/.cache/huggingface/hub
du -sh ~/.lmstudio/models
du -sh ~/.cache/torch/hub
du -sh ~/.keras/models

# 상위 10개 큰 파일 찾기
find ~/.cache/huggingface/hub -type f -exec du -sh {} + | sort -rh | head -10

# 30일 이상 사용하지 않은 모델 찾기
find ~/.cache/huggingface/hub -type f -atime +30 -name "*.bin" -o -name "*.safetensors"

심볼릭 링크를 이용한 외부 드라이브 활용

용량이 큰 모델들을 외부 드라이브로 이동하고 심볼릭 링크를 생성하는 방법입니다:

# 1. 외부 드라이브로 디렉토리 이동
sudo mv ~/.cache/huggingface /Volumes/ExternalDrive/

# 2. 심볼릭 링크 생성
ln -s /Volumes/ExternalDrive/huggingface ~/.cache/huggingface

# 3. 권한 확인
ls -la ~/.cache/huggingface

자동 정리 스크립트

정기적으로 사용하지 않는 모델을 정리하는 스크립트 예시입니다:

#!/bin/bash
# cleanup_models.sh

echo "🔍 모델 캐시 정리를 시작합니다..."

# 30일 이상 사용하지 않은 Hugging Face 모델 정리
echo "📁 Hugging Face 캐시 정리 중..."
find ~/.cache/huggingface/hub -type d -name "models--*" -atime +30 -exec rm -rf {} \;

# PyTorch Hub 임시 파일 정리
echo "🔥 PyTorch Hub 임시 파일 정리 중..."
find ~/.cache/torch/hub -name "*.tmp" -delete

# 정리 후 용량 확인
echo "💾 정리 후 용량 확인:"
du -sh ~/.cache/huggingface/hub
du -sh ~/.cache/torch/hub
du -sh ~/.ollama/models

echo "✅ 정리 완료!"

앱별 모델 삭제 방법

각 애플리케이션에서 제공하는 모델 삭제 기능을 활용하는 것이 안전합니다:

# Ollama 모델 삭제
ollama rm llama2:7b

# LM Studio는 GUI에서 모델 관리 탭 사용

# Hugging Face 캐시 정리 (Python)
python -c "from huggingface_hub import scan_cache_dir; scan_cache_dir().delete_revisions('unused').execute()"

모델 형식별 특징 요약

성능 비교

형식	로딩 속도	메모리 사용량	호환성	보안성
SafeTensors	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐⭐
GGUF	⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐
PyTorch (.pth)	⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐
TensorFlow (.h5)	⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐

권장 사항

새로운 프로젝트: SafeTensors 형식 우선 사용
메모리 제약 환경: GGUF 양자화 모델 활용
프로덕션 환경: 검증된 PyTorch/TensorFlow 형식 사용
크로스 플랫폼: Hugging Face Hub 통합 활용

macOS에서 딥러닝 모델을 효율적으로 관리하려면 각 플랫폼의 특성을 이해하고, 정기적인 정리와 모니터링이 필요합니다. 특히 디스크 공간이 제한적인 환경에서는 양자화된 모델이나 외부 저장소 활용을 적극 고려해보시기 바랍니다.

macOS 딥러닝 모델 저장 위치 완벽 가이드: 전문가가 정리한 로컬 캐시 관리법

주요 딥러닝 플랫폼별 모델 저장 위치

실제 디렉토리 구조 예시

저장소별 파일 형식 상세 분석

Hugging Face Hub (`~/.cache/huggingface/hub/`)

Ollama (`~/.ollama/models/`)

LM Studio (`~/.lmstudio/models/`)

PyTorch Hub (`~/.cache/torch/hub/`)

TensorFlow/Keras (`~/.keras/`)

고급 관리 팁

캐시 경로 변경

용량 확인 및 관리

심볼릭 링크를 이용한 외부 드라이브 활용

자동 정리 스크립트

앱별 모델 삭제 방법

모델 형식별 특징 요약

성능 비교

권장 사항

참고

Weaviate 완전 정복: 벡터 검색과 인덱싱으로 차세대 AI 검색 시스템 구축하기

OpenHands AI 소프트웨어 개발 에이전트 완전 튜토리얼: 코드 작성부터 배포까지

Neo4j 완전 정복: macOS에서 그래프 데이터베이스 시작하기

Diagrams로 그리는 쿠버네티스 Agentic RAG 아키텍처 - Python 코드로 시스템 설계하기

주요 딥러닝 플랫폼별 모델 저장 위치

실제 디렉토리 구조 예시

저장소별 파일 형식 상세 분석

Hugging Face Hub (~/.cache/huggingface/hub/)

Ollama (~/.ollama/models/)

LM Studio (~/.lmstudio/models/)

PyTorch Hub (~/.cache/torch/hub/)

TensorFlow/Keras (~/.keras/)

고급 관리 팁

캐시 경로 변경

용량 확인 및 관리

심볼릭 링크를 이용한 외부 드라이브 활용

자동 정리 스크립트

앱별 모델 삭제 방법

모델 형식별 특징 요약

성능 비교

권장 사항

참고

Weaviate 완전 정복: 벡터 검색과 인덱싱으로 차세대 AI 검색 시스템 구축하기

OpenHands AI 소프트웨어 개발 에이전트 완전 튜토리얼: 코드 작성부터 배포까지

Neo4j 완전 정복: macOS에서 그래프 데이터베이스 시작하기

Diagrams로 그리는 쿠버네티스 Agentic RAG 아키텍처 - Python 코드로 시스템 설계하기

Hugging Face Hub (`~/.cache/huggingface/hub/`)

Ollama (`~/.ollama/models/`)

LM Studio (`~/.lmstudio/models/`)

PyTorch Hub (`~/.cache/torch/hub/`)

TensorFlow/Keras (`~/.keras/`)