DeepFaceLab GPU 없이 돌리기: CPU·클라우드 대안 정리

DeepFaceLab을 GPU 없이 쓰는 방법은 크게 두 갈래입니다. 하나는 지금 쓰는 컴퓨터의 CPU만으로 최소한만 돌려보는 것, 다른 하나는 클라우드에서 GPU를 시간 단위로 빌려 쓰는 것입니다. 결론부터 말하면 CPU 단독 실행은 "학습이 되긴 하지만 실용적이지 않다"에 가깝고, 일부 환경에서는의 사용자에게는 클라우드 쪽이 현실적입니다. 다만 이 도구는 얼굴 합성이라는 특성상 법·윤리 이슈가 큰 편이라, 기술적인 방법을 알기 전에 무엇을 만들면 안 되는지부터 짚고 넘어가야 합니다.

목차

1. 시작 전에 반드시 확인할 것
2. CPU만으로 돌릴 때 마주치는 현실
3. 클라우드 GPU를 빌리는 세 가지 방식
4. 클라우드 GPU를 쓸 때의 전체 흐름
5. 시작 전 체크리스트

시작 전에 반드시 확인할 것

DeepFaceLab은 두 얼굴을 학습시켜 서로 바꾸는 오픈소스 도구입니다. 기술 자체는 중립이지만, 타인의 얼굴을 동의 없이 합성하는 것은 나라에 따라 형사처벌 대상입니다.

한국의 경우 성적 허위영상물 제작·유포는 성폭력처벌법으로 처벌되며, 최근에는 단순 소지·시청까지 규제 범위가 넓어지는 추세입니다. 정확한 최신 조항은 국가법령정보센터에서 "성폭력범죄의 처벌 등에 관한 특례법 제14조의2"를 직접 확인하시길 권합니다.

이 글은 다음과 같은 합법적 용도를 전제로 씁니다.

• 본인 얼굴로 하는 실습
• 명시적 동의를 받은 지인의 얼굴
• 상업 라이선스가 명시된 학습용 데이터셋
• 영화·광고 후반작업 등 계약 기반 업무

⚠️ 유명인·지인의 얼굴을 몰래 합성하는 용도라면, 이 글의 어떤 방법도 사용하지 마시기 바랍니다. 클라우드 서비스 일부 환경에서는은 이용약관에서 딥페이크 남용을 명시적으로 금지하고, 계정 정지뿐 아니라 수사 협조 대상이 될 수 있습니다.

CPU만으로 돌릴 때 마주치는 현실

DeepFaceLab은 딥러닝 프레임워크 위에서 동작하는데, 학습 과정은 행렬 연산을 대량으로 병렬 처리하는 작업입니다. GPU(그래픽카드의 연산 장치)는 이런 병렬 계산에 특화돼 있어 CPU보다 수십 배 이상 빠릅니다.

바꿔 말하면 CPU만으로도 "이론상" 학습은 돌아갑니다. 문제는 실용성이 없다는 점입니다.

공식 GitHub 저장소(iperov/DeepFaceLab)의 안내를 보면, 이 도구는 NVIDIA GPU 사용을 기본 전제로 배포됩니다. CPU 빌드가 별도로 유지되던 시기도 있었지만, 일반 사용자가 바로 받아 쓰기 좋게 정리돼 있지는 않습니다.

CPU 실행이 그래도 의미 있는 경우는 이 정도입니다.

상황	CPU로도 해볼 만한가
설치가 제대로 됐는지 확인	⭕
얼굴 추출(extract) 단계만 돌려보기	조건부 ⭕
짧은 환경과 절차에 따라짜리 테스트 학습	△
실제로 쓸 만한 결과물 만들기	❌
4K·고해상도 모델 학습	❌

CPU는 "동작 확인용"이지 "작업용"이 아닙니다. 결과물을 목표로 한다면 다음 섹션으로 넘어가시는 게 낫습니다.

클라우드 GPU를 빌리는 세 가지 방식

GPU가 없을 때 가장 현실적인 대안은 시간 단위로 GPU가 달린 컴퓨터를 빌리는 것입니다. 크게 세 가지 방식이 있습니다.

1) 노트북형 서비스 (Google Colab, Kaggle Notebook 등)

브라우저에서 바로 코드를 실행하는 방식입니다. 웹페이지 안에서 파이썬 명령을 입력하면 원격 서버의 GPU가 계산해 결과를 돌려줍니다. 무료 등급이 있어 진입장벽이 낮지만, 한 번에 쓸 수 있는 시간과 저장 공간에 제한이 있습니다.

⚠️ 다만 Colab의 경우, 딥페이크 관련 코드 실행은 이용약관에서 명시적으로 제한되는 시기가 있었습니다. 실행 자체가 차단되거나 계정이 정지될 수 있으니, 시작 전 최신 정책 페이지(research.google.com/colaboratory/faq.html)를 확인해야 합니다.

2) GPU 임대 플랫폼 (RunPod, Vast.ai, Paperspace 등)

시간당 요금을 내고 GPU 서버 한 대를 통째로 빌리는 방식입니다. 원격 데스크톱처럼 접속해 원하는 프로그램을 자유롭게 설치할 수 있어, DeepFaceLab처럼 특정 환경이 필요한 도구에 적합합니다.

3) 대형 클라우드 (AWS, GCP, Azure)

가장 안정적이지만 설정이 복잡하고, 실수로 서버를 켜둔 채 잊으면 요금이 계속 쌓입니다. 초심자가 첫 선택으로 삼기엔 부담이 있습니다.

세 방식을 성격별로 비교하면 이렇습니다.

구분	노트북형	GPU 임대	대형 클라우드
진입 난이도	낮음	중간	높음
자유도	낮음(제한 많음)	높음	매우 높음
딥페이크 실행 허용	서비스별 정책 확인 필수	서비스별 정책 확인 필수	약관 확인 필수
요금 형태	무료+유료 등급	시간당 과금	시간당+부가 과금
데이터 보관	세션 종료 시 삭제 위험	볼륨 유지 가능	볼륨 유지 가능

정확한 요금은 서비스마다 GPU 모델·리전·시점에 따라 달라지므로, 각 플랫폼의 공식 요금표를 직접 확인하시기 바랍니다.

클라우드 GPU를 쓸 때의 전체 흐름

처음 시도하는 분에게는 어디서부터 손대야 할지가 가장 막막합니다. 실제 작업은 이런 순서로 흘러갑니다.

[내 PC]
   ↓ 원본 영상 업로드
[클라우드 GPU]
   ↓ 얼굴 추출(extract)
   ↓ 모델 학습(train)
   ↓ 합성(merge)
   ↓ 결과 영상 생성
[내 PC]
   ↓ 결과 다운로드

각 단계가 하는 일을 한 줄씩 풀면 이렇습니다.

• 얼굴 추출: 영상에서 프레임 단위로 얼굴만 잘라내 이미지로 저장
• 학습: 두 얼굴의 특징을 신경망에 반복 입력해 서로 바꾸는 법을 익히게 함
• 합성: 학습된 모델로 원본 영상의 얼굴을 다른 얼굴로 교체
• 후처리: 색보정, 경계선 자연스럽게 다듬기

이 중 시간이 압도적으로 오래 걸리는 단계는 학습입니다. 학습을 얼마나 오래 돌리느냐가 곧 결과 품질을 좌우하고, 클라우드 요금도 일부 환경에서는 여기에서 발생합니다.

시작 전 체크리스트

무작정 결제부터 하기 전에 아래 항목을 짚어보시길 권합니다.

• ☐만들려는 결과물이 본인 얼굴 또는 명시적 동의를 받은 얼굴인가
• ☐사용하려는 클라우드 서비스의 이용약관에 딥페이크 관련 제한이 있는지 확인했는가
• ☐결제 수단에 월 상한 알림을 걸어두었는가 (서버 끄는 걸 잊으면 요금이 계속 쌓입니다)
• ☐원본·결과 영상을 저장할 로컬 저장 공간이 충분한가
• ☐결과물을 공개·유포할 계획이라면 관련 법령(성폭력처벌법, 정보통신망법, 저작권법 등)을 검토했는가

특히 두 번째와 마지막 항목은 기술이 아니라 법적 문제로 이어지는 부분이라 형식적으로 넘기지 않는 편이 좋습니다.

💡 학습을 오래 돌리다가 자리를 비울 때는 반드시 자동 종료 시간(auto-shutdown) 을 걸어두세요. 잠들었다 깨보니 요금이 예상보다 몇 배 나온 사례가 커뮤니티에 흔합니다.

대안 도구도 같이 살펴볼 것

DeepFaceLab은 자유도가 높은 대신 설치·설정이 번거로운 편입니다. 목적이 "얼굴 합성 기술을 학습용으로 이해해보는 것"이라면 좀 더 가벼운 도구도 고려해볼 만합니다.

• DeepFaceLive: 실시간 얼굴 합성용. 학습된 모델을 웹캠 스트림에 적용
• FaceFusion: 파이썬 기반 오픈소스, 상대적으로 설치가 단순
• 웹 기반 상용 서비스: 브라우저에서 얼굴 교체 데모를 제공하는 사이트들

각 도구 모두 동일한 법·윤리 제약을 받습니다. 도구가 쉽다고 해서 허용 범위가 넓어지지는 않습니다.

또 하나 짚을 점은, 얼굴 합성 기술의 발전 속도가 빨라 6개월 전 정보가 이미 낡은 경우가 많다는 것입니다. GitHub 저장소의 최근 커밋 날짜, 공식 문서의 갱신일을 환경에 따라 먼저 확인하시길 권합니다.

여기까지 읽고 다음에 할 일

GPU 없이 DeepFaceLab을 쓴다는 건 결국 "다른 곳의 GPU를 잠깐 빌려 쓴다"는 뜻에 가깝습니다. CPU 단독은 설치 검증용 정도로만 의미가 있고, 실제 결과물이 필요하면 클라우드 임대가 현실적인 선택입니다.

먼저 할 일을 순서대로 정리하면 이렇습니다.

1. 만들려는 결과물이 법적으로 문제없는 범주인지 다시 한번 확인
2. Colab 같은 무료 노트북 환경에서 설치와 얼굴 추출까지만 테스트
3. 요금 상한·자동 종료 설정을 걸고 GPU 임대 서비스에서 짧게 학습 시도
4. 결과가 마음에 든다면 학습 시간을 늘리며 품질을 조정

기술을 익히는 것과 그 결과물을 세상에 내보내는 것은 다른 문제입니다. 특히 얼굴이 등장하는 콘텐츠라면, "만들 수 있다"와 "만들어도 된다" 사이의 거리를 늘 의식하시길 바랍니다.

함께 보면 좋은 글

• DeepFaceLab 학습이 느릴 때 — GPU·배치 최적화 7단계
• DeepFaceLab 자주 막히는 에러 7가지 한국어 해결법
• Gemini 3 컴퓨터 제어 사용법 — Claude와 뭐가 다른가