> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/datasets/ko/versions/dataset-versions/image-augmentation.md).
# 이미지 증강
이미지 증강은 데이터셋에서 "Train"으로 표시된 기존 이미지에 증강을 적용하는 단계입니다. 이 과정은 모델의 일반화 능력을 향상시켜, 보지 못한 이미지에서도 더 효과적으로 작동하도록 도울 수 있습니다.
{% hint style="success" %}
증강 없이 프로젝트를 시작하는 것을 권장합니다. 이를 통해 원본 데이터셋의 품질을 평가할 수 있습니다. 증강을 추가했는데 데이터셋의 성능이 기대만큼 좋지 않다면, 모델 성능을 비교할 기준선이 없게 됩니다.
증강 없이도 모델이 잘 작동하지 않는다면, 클래스 균형, 데이터 표현, 데이터셋 크기를 검토해야 할 수 있습니다. 증강 없이 모델을 성공적으로 학습한 데이터셋이 있다면, 모델 성능 향상을 더 돕기 위해 증강을 추가할 수 있습니다.
{% endhint %}
증강은 몇 가지 중요한 이유로 학습 시점이 아니라 데이터셋 버전("오프라인 증강")을 통해 적용됩니다:
1. **모델 재현성이 향상됩니다**. Roboflow를 사용하면 각 이미지가 어떻게 증강되었는지에 대한 사본을 보관할 수 있습니다. 예를 들어, 모델이 어두운 이미지보다 밝은 이미지에서 더 잘 작동한다는 것을 알 수 있으므로, 저조도 학습 데이터를 더 많이 수집해야 합니다.
2. **학습 시간이 줄어듭니다**. 증강은 CPU에 제약을 받는 작업입니다. GPU에서 학습하면서 실시간으로 증강을 수행하면, 각 에포크마다 CPU가 증강된 데이터를 제공할 때까지 GPU가 기다리는 경우가 많습니다. 그게 쌓이면 꽤 큽니다!
3. **학습 비용이 줄어듭니다**. 증강은 CPU에 제약을 받는 작업이기 때문에, 비용이 많이 드는 임대 GPU가 학습에 사용할 이미지를 공급받기 위해 대기하는 경우가 많습니다.
## 증강이 적용되는 방식
증강은 항상 훈련 이미지에 다음 [전처리 단계](/datasets/ko/versions/dataset-versions/image-preprocessing.md). 선택한 증강은 함께 쌓여 적용되며, 증강 설정과 각 설정의 값은 무작위화되어 각 증강 이미지에 적용됩니다. 이 과정에서 중복으로 나타나는 이미지는 생성된 버전에서 필터링됩니다.
예를 들어, "가로 뒤집기"와 "소금과 후추 노이즈" 증강을 선택하면, 특정 이미지는 무작위로 가로로 반전되고 무작위 소금과 후추 노이즈가 추가됩니다.
### 증강 제한
증강이 포함된 데이터셋 버전을 만들 때, "최대 버전 크기" 옵션을 통해 포함할 증강 이미지의 최대 수를 선택할 수 있습니다.
예를 들어 3x를 선택하면, 최종 데이터셋 버전에는 각 학습 원본 이미지에 [전처리 단계](/datasets/ko/versions/dataset-versions/image-preprocessing.md) 가 적용되며, 선택한 설정에 따라 각 이미지에 대한 무작위 증강 2개가 포함됩니다.
데이터셋에 100개의 이미지가 있고 train/valid/test 분할이 70/20/10인 상태에서 3x 증강을 선택했다면, 최종 데이터셋은 대략 210/20/10 분할이 됩니다.
{% hint style="info" %}
중복 이미지 제거가 이루어지고 "Filter Null"과 같은 일부 옵션이 출력에서 이미지를 제거할 수 있으므로, 버전의 최종 이미지 수는 이 추정치보다 적을 수 있습니다.
{% endhint %}
## 증강 옵션
Roboflow의 증강은 "고급" 또는 "기본"일 수 있으며 두 가지 다른 수준에서 적용할 수 있습니다.
### 이미지 수준 증강
이미지 수준 증강은 개별 객체나 영역이 아니라 전체 이미지에 변환을 적용하여 새로운 학습 데이터를 생성합니다. 전체 이미지를 수정함으로써 개발자는 더 넓은 범위의 시각적 조건을 시뮬레이션할 수 있고, 이를 통해 모델이 새로운 데이터에 더 잘 일반화하도록 도울 수 있습니다.
### 바운딩 박스 수준 증강
바운딩 박스 수준 증강은 원본 이미지의 바운딩 박스 내용만 변경하여 새로운 학습 데이터를 생성합니다. 이를 통해 개발자는 문제의 조건에 더 적합한 학습 데이터를 만드는 데 있어 더 큰 제어권을 가질 수 있습니다.
한 [2019년 논문은](https://arxiv.org/pdf/1906.11172.pdf) Google 연구진이 바운딩 박스 전용 증강을 사용해 모델에 최적의 데이터를 만드는 아이디어를 소개합니다. 이 논문에서 연구자들은 바운딩 박스 전용 수정이, 특히 소규모 데이터셋으로 학습된 모델에서 체계적인 개선을 만든다는 것을 보여주었습니다.
{% hint style="info" %}
고급 증강과 바운딩 박스 증강은 **유료** 기능입니다.
현재 플랜과 각 플랜에 포함된 기능에 대한 최신 정보는 [요금 페이지](https://roboflow.com/pricing).
{% endhint %}
## 자세히 알아보기
* [데이터 증강을 위한 궁극의 가이드](https://blog.roboflow.com/data-augmentation/)
* [객체 탐지를 위한 이미지 증강 방법](https://blog.roboflow.com/object-detection-augmentation/)