> 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-preprocessing.md).

# 이미지 전처리

모델 학습을 위해 데이터를 준비하는 이미지 전처리 단계입니다.

전처리를 통해 데이터 세트를 표준 형식으로 만들 수 있습니다(예: 모든 이미지의 크기를 동일하게 설정). 이 단계는 모델을 학습시키기 전에 데이터 세트의 일관성을 확보하는 데 필수적입니다.

전처리는 Train, Valid, Test 세트의 모든 이미지에 적용됩니다( [증강](https://docs.roboflow.com/datasets/ko/versions/dataset-versions/image-augmentation.md)과 달리, 증강은 Train 세트에만 적용됩니다).

Roboflow 플랫폼에서 제공하는 전처리 옵션은 다음과 같습니다.

* 자동 방향 조정
* 크기 조정
* 그레이스케일
* 자동 대비 조정
* 객체 분리
* 고정 자르기
* 타일링
* 클래스 수정
* Null 필터링
* 태그별 필터링

각 옵션은 아래에 설명되어 있습니다.

### 자동 방향 조정

자동 방향 조정은 이미지에서 EXIF 데이터를 제거하여, 디스크에 저장된 방향 그대로 이미지가 표시되도록 합니다.

EXIF 데이터는 이미지의 방향을 결정합니다. Mac의 미리보기와 같은 애플리케이션은 이 데이터를 사용해 디스크에 저장된 방향과 관계없이 이미지를 특정 방향으로 표시합니다.

* Roboflow는 이 옵션을 기본적으로 켜 두고, 추론 시 이미지가 모델에 어떻게 입력되는지 확인할 것을 권장합니다.
* 이미지의 자동 방향 조정 여부에 관해 더 알아보려면  [Roboflow 블로그를 확인하세요](https://blog.roboflow.com/exif-auto-orientation/).

### 크기 조정

크기 조정은 이미지 크기를 변경하고, 원하는 치수로 선택적으로 조정합니다. 주석도 비례에 맞춰 조정됩니다(아래의 “채우기” 옵션은 제외).

현재는 이미지 크기를 줄이는 기능만 지원합니다. 다음 항목에 대한 안내를 제공합니다. [사용 사례에 가장 적합한 크기 조정 옵션](https://blog.roboflow.com/you-might-be-resizing-your-images-incorrectly/).

* **다음 크기로 늘이기:** 이미지를 원하는 픽셀 단위 크기로 늘입니다. 주석도 비례에 맞춰 조정됩니다. 이미지가 정사각형으로 변형되지만 원본 이미지 데이터는 손실되지 않습니다.
* **다음 크기로 채우기(가운데 자르기):** 생성되는 이미지는 원하는 출력 크기에 맞춰 가운데를 자른 이미지입니다. 예를 들어 원본 이미지가 2600x2080이고 크기 조정 옵션을 640x640으로 설정한 경우, 출력 이미지는 원본 이미지의 가운데 640x640 영역입니다. 가로 세로 비율은 유지되지만 원본 이미지 데이터가 손실됩니다.
* **다음 크기 안에 맞추기:** 원본 이미지의 가로 세로 비율을 유지하면서 원본 크기를 출력 이미지 크기에 맞게 조정합니다. 예를 들어 원본 이미지가 2600x2080이고 크기 조정 옵션을 640x640으로 설정한 경우, 긴 변(2600)은 640으로, 짧은 변(2080)은 약 512픽셀로 조정됩니다. 이미지의 가로 세로 비율과 원본 데이터는 유지되지만 정사각형은 아닙니다.
* **다음 크기 안에 맞추기(가장자리 반사):** 원본 이미지의 가로 세로 비율을 유지하면서 원본 크기를 출력 이미지 크기에 맞게 조정하고, 새로 생기는 여백에는 원본 이미지를 반사해 채웁니다. 예를 들어 원본 이미지가 2600x2080이고 크기 조정 옵션을 416x416으로 설정한 경우, 긴 변(2600)은 416으로, 짧은 변(2080)은 약 335.48픽셀로 조정됩니다. 남은 픽셀 영역(416-335.48, 즉 80.52픽셀)은 원본 이미지를 반사한 픽셀로 채워집니다. 특히 Roboflow는 기본적으로 주석도 반사합니다. 이미지가 정사각형이 되고 여백이 추가되며, 가로 세로 비율과 원본 데이터는 유지됩니다.
* **다음 크기 안에 맞추기(검은색 가장자리):** 원본 이미지의 가로 세로 비율을 유지하면서 원본 크기를 출력 이미지 크기에 맞게 조정하고, 새로 생기는 여백은 검은색으로 채웁니다. 예를 들어 원본 이미지가 2600x2080이고 크기 조정 옵션을 416x416으로 설정한 경우, 긴 변(2600)은 416으로, 짧은 변(2080)은 약 335.48픽셀로 조정됩니다. 남은 픽셀 영역(416-335.48, 즉 80.52픽셀)은 검은색 픽셀로 채워집니다. 이미지가 정사각형이 되고 검은색 여백이 추가되며, 가로 세로 비율과 원본 데이터는 유지됩니다.
* **다음 크기 안에 맞추기(흰색 가장자리):** 원본 이미지의 가로 세로 비율을 유지하면서 원본 크기를 출력 이미지 크기에 맞게 조정하고, 새로 생기는 여백은 흰색으로 채웁니다. 예를 들어 원본 이미지가 2600x2080이고 크기 조정 옵션을 416x416으로 설정한 경우, 긴 변(2600)은 416으로, 짧은 변(2080)은 약 335.48픽셀로 조정됩니다. 남은 픽셀 영역(416-335.48, 즉 80.52픽셀)은 흰색 픽셀로 채워집니다. 이미지가 정사각형이 되고 흰색 여백이 추가되며, 가로 세로 비율과 원본 데이터는 유지됩니다.

### 그레이스케일

RGB 채널이 있는 이미지를 단일 그레이스케일 채널 이미지로 변환하여 메모리를 절약할 수 있습니다. 각 그레이스케일 픽셀 값은 해당하는 빨강, 초록, 파랑 픽셀 값의 가중합으로 계산됩니다. Y = 0.2125 R + 0.7154 G + 0.0721 B.

이 가중치는 동일한 가중치보다 빨강, 초록, 파랑에 대한 사람의 인식을 더 잘 반영하므로 CRT 형광체에 사용됩니다. (출처:  [Scikit-Image](https://scikit-image.org/docs/dev/auto_examples/color_exposure/plot_rgb_to_gray.html).)

### 자동 대비 조정

대비가 낮은 이미지를 개선합니다. 다음 내용을 살펴보았습니다. [전처리 단계에서 대비를 사용할지 여부](https://blog.roboflow.com/when-to-use-contrast-as-a-preprocessing-step/).

* **대비 스트레칭**: 이미지의 명암값을 2\~98 백분위수 범위에 모두 포함되도록 재조정합니다.
* **히스토그램 평활화**: 이미지에서 “가장 자주 나타나는 명암값을 넓게 분산”합니다. 평활화된 이미지는 대략 균일한 분포를 가지며, 모든 색상의 픽셀이 거의 동일한 비율로 나타납니다. [자세히 보기](https://en.wikipedia.org/wiki/Histogram_equalization).
* **적응형 평활화**: 대비 제한 적응형 히스토그램 평활화(CLAHE)입니다. 이미지의 여러 타일 영역에서 계산한 히스토그램을 사용하는 국소 대비 향상 알고리즘입니다. 따라서 이미지 대부분보다 어둡거나 밝은 영역에서도 세부 사항을 향상할 수 있습니다. (출처:  [Scikit-Image](https://scikit-image.org/docs/dev/api/skimage.exposure.html#skimage.exposure.equalize_adapthist).)

## 고급 전처리 기능

### 객체 분리

Isolate Objects 변환은 각 바운딩 박스를 잘라내 개별 이미지로 추출합니다. 이 단계에서는 객체 감지 데이터셋을 분류 데이터셋으로 변환합니다.

데이터셋에 서로 비슷한 클래스가 많은 경우, 두 모델을 순차적으로 사용하는 것이 일반적입니다. 첫 번째 모델(객체 감지)은 객체를 찾고, 두 번째 모델(분류)은 해당 객체이 무엇인지 식별합니다. Isolate Objects 변환을 사용하면 두 번째 모델을 학습하는 데 필요한 데이터셋을 만들 수 있습니다.

### 고정 자르기

Static Crop은 데이터셋의 모든 이미지에 고정된 백분율 기반 자르기 영역을 적용합니다. 최소 및 최대 너비와 높이 비율을 사용해 영역을 정의하면 Roboflow가 각 이미지를 동일한 상대 영역으로 자릅니다. 이렇게 하면 관심 영역을 일관되게 확대하고, 학습 전에 불필요한 테두리나 배경을 제거해 모델이 프레임에서 중요한 부분에 집중하게 할 수 있습니다.

![Static Crop 기능과 출력 예시입니다.](https://3735512388-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FNVfRxNsvCh4GOyqrjmzX%2Fuploads%2Fgit-blob-4f30e8b0a744bea04bcf0dadd480f55d4cb9a034%2FScreenshot%202025-05-20%20at%2009.44.47.png?alt=media)

### 타일링

작은 객체를 감지할 때 타일링을 사용하면 도움이 됩니다(특히 항공 이미지나 현미경 이미지와 같은 경우). 기본 설정은 2x2 타일링이지만, 원하는 대로 조정할 수 있습니다. 타일링은 전처리 파이프라인에서 크기를 조정하기  *전에* 수행됩니다.

![타일링 도구와 출력 미리보기(“grid”로 표시)입니다.](https://3735512388-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FNVfRxNsvCh4GOyqrjmzX%2Fuploads%2Fgit-blob-7a09d308f703e2805c36bee439ee95451f05ca8b%2FScreenshot%202025-05-20%20at%2009.45.19.png?alt=media)

타일링 모드는 세 가지입니다.

<table data-search="false"><thead><tr><th>모드</th><th>기능</th><th>설정</th></tr></thead><tbody><tr><td>Grid</td><td>각 이미지를 동일한 수의 행과 열로 나눕니다. 타일 크기는 이미지 크기에 따라 달라집니다.</td><td>행, 열</td></tr><tr><td>Fixed Size</td><td>모든 타일을 설정한 정확한 픽셀 크기로 자르므로 타일의 크기가 조정되거나 왜곡되지 않습니다. 모델 입력 크기(예: 640 x 640)에 맞춰 설정하세요.</td><td>너비, 높이, 겹침, 패딩 색상</td></tr><tr><td>Fixed Aspect Ratio</td><td>설정한 너비와 높이의 비율을 유지하도록 타일을 자릅니다. 각 타일은 이미지의 전체 너비 또는 전체 높이에 걸쳐 있습니다.</td><td>종횡비, 범위, 겹침, 패딩 색상</td></tr></tbody></table>

Fixed Size와 Fixed Aspect Ratio에는 추가 설정이 두 가지 있습니다. 겹침은 각 타일과 다음 타일이 공유하는 영역의 비율입니다. 객체가 타일 경계에 걸쳐 있을 때 사용하세요. 패딩 색상(검은색 또는 흰색)은 이미지의 오른쪽과 아래쪽 가장자리에 남는 공간을 채웁니다. 각 타일의 크기가 설정한 전체 크기로 만들어지기 때문입니다.

타일의 각 변은 최소 224픽셀이어야 합니다. Fixed Aspect Ratio 모드에서는 해당 크기의 타일을 만들기에 이미지가 너무 작으면 이미지를 자르지 않고 그대로 유지합니다.

Fixed Size 또는 Fixed Aspect Ratio는 Isolate Objects나 Dynamic Crop과 함께 사용할 수 없습니다. 이러한 단계는 각 이미지를 개별적으로 자르기 때문에 지정된 크기의 타일이 이미지와 더 이상 맞지 않습니다. 대신 Grid를 사용하세요.

타일 수가 각 이미지의 크기에 따라 달라지므로 Roboflow는 Fixed Size 및 Fixed Aspect Ratio의 버전 크기를 추정하지 않습니다.

{% hint style="info" %}
Fixed Size와 Fixed Aspect Ratio는 일부 워크스페이스에서 앱으로 사용할 수 있습니다. [영업팀에 문의](https://roboflow.com/sales) 하여 기능을 활성화하세요. API에서는 모든 워크스페이스에 세 가지 모드를 모두 사용할 수 있습니다.
{% endhint %}

### 클래스 수정

데이터셋의 새 버전을 생성할 때 특정 클래스를 제외하거나 클래스를 다시 매핑(이름 변경)하는 데 사용하는 전처리 도구입니다. 이러한 변경 사항은 생성하는 버전에만 적용되며, 기본 데이터셋은 변경되지 않습니다.

데이터셋 버전 빌더에서는 클래스가 3개를 초과할 때, 학습 설정에서는 클래스 수에 관계없이 정규식 컨트롤이 표시됩니다. "By Regular Expression:" 아래에 찾을 패턴과 바꿀 문자열을 입력한 다음, 입력란 옆의 "Apply"와 대화상자의 "Apply"를 클릭하세요. 초기화 아이콘을 사용하면 정규식을 지우고 모든 클래스를 복원할 수 있습니다.

<figure><img src="https://3735512388-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FNVfRxNsvCh4GOyqrjmzX%2Fuploads%2Fgit-blob-c24153101f752dda61db3be434bc2dda8db317cd%2Fpreprocessing-modify-classes.png?alt=media" alt="Modify Classes in training setup, with a regular expression remapping circle to part and a reset button"><figcaption><p>학습 설정에서 클래스 재매핑을 적용하기 전에 미리 확인하세요.</p></figcaption></figure>

### Null 필터링

Filter Null 변환을 사용하면 데이터셋 이미지 중 일정 비율에 주석이 지정되도록 요구할 수 있습니다. Filter Null을 사용할 때 영향을 받는 이미지는 null 주석으로 표시된 이미지 또는 Modify Classes 도구를 적용한 후 “주석 없음”으로 표시된 이미지뿐입니다.

이 변환은 데이터셋의 상당 부분에 관심 객체가 포함되지 않은 경우에 유용합니다.

![Filter Null 전처리 단계를 적용하는 모습입니다.](https://3735512388-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FNVfRxNsvCh4GOyqrjmzX%2Fuploads%2Fgit-blob-438a722d13a06de4d81a8508b0f1204e3e61fc30%2FScreenshot%202025-05-20%20at%2009.47.41.png?alt=media)

{% hint style="warning" %}
이 도구를 사용하기 전에 데이터셋의 모든 이미지에 주석을 올바르게 지정하고, 적절한 이미지를 null 주석으로 표시했으며, 불필요한 클래스를 제외했는지 확인하세요.
{% endhint %}

{% hint style="info" %}
[누락된 주석과 Null 주석의 차이](https://blog.roboflow.com/missing-and-null-image-annotations/)

“누락된 주석”은 이미지에 주석이 지정되지 않은 경우를 말합니다(이미지에 주석을 지정하지 않으면 학습된 데이터셋의 성능에 문제가 생기고 학습이 실패할 수도 있습니다). Null 주석은 모델이 감지하기를 원하는 것이 이미지에  *아무것도* 없을 때만 적용해야 합니다.
{% endhint %}

### 태그별 필터링

Filter by Tag 변환을 사용하면 적용된  [태그](https://docs.roboflow.com/datasets/ko/manage/manage-datasets/add-tags-to-images.md) 를 기준으로 버전에 포함할 이미지와 제외할 이미지를 필터링할 수 있습니다. 이 변환은 데이터의 새로운 하위 집합으로 모델을 학습하거나 원치 않는 이미지를 학습에서 제외할 때 유용합니다.

각 태그에 다음 세 가지 옵션을 사용할 수 있습니다.

* **Require:** 필수 태그가 있는 이미지만 버전에 포함됩니다.
* **Exclude**: 제외 태그가 있는 이미지는 버전에 포함되지 않습니다.
* **Allow:** 허용 태그가 있는 이미지는 제외 및 필수 규칙에 따라 버전에 포함됩니다.

데이터셋 버전 빌더에서 "Exclude", "Allow" 또는 "Require" 열 제목을 클릭하면 해당 옵션이 모든 태그에 적용됩니다. 학습 설정에서는 "Exclude All", "Allow All" 또는 "Require All"을 사용한 뒤 확인하세요. 저장하려면 "Apply"를 클릭하세요.

<figure><img src="https://3735512388-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FNVfRxNsvCh4GOyqrjmzX%2Fuploads%2Fgit-blob-0d57d1ad34de9a2a1cf0871c2d2682cfa6f2438e%2Fpreprocessing-filter-tags.png?alt=media" alt="Filter by Tag in training setup with reviewed required and Exclude All, Allow All, Require All, and Reset controls"><figcaption><p>이 필터에는 검토 완료 태그가 지정된 이미지가 포함됩니다.</p></figcaption></figure>
