> 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/get-started/ko/guides/model-training.md).

# 모델 학습

이 가이드는 30초짜리 비디오에서 시작해 API로 호출할 수 있는 학습된 객체 탐지 모델까지 안내합니다. Roboflow는 비디오에서 프레임을 추출하고, Auto Label은 박스를 그린 다음 데이터셋으로 모델을 학습시킵니다. 이 예시에서는 감자 탐지 모델을 만들지만, 여러분의 객체로 바꿔 사용할 수 있습니다.

{% stepper %}
{% step %}

### 프로젝트 만들기

다음에서 로그인 [app.roboflow.com](https://app.roboflow.com)또는 계정이 없으면 계정을 만드세요. "Projects" 탭을 열고 [프로젝트](https://docs.roboflow.com/datasets/create-and-upload/create-a-project). 이 가이드는 객체 탐지 프로젝트 유형과 Traditional 주석 도구를 사용합니다.

{% embed url="<https://media.roboflow.com/quickstart/step1.mp4>" %}
{% endstep %}

{% step %}

### 데이터 업로드

[데이터 업로드](https://docs.roboflow.com/datasets/create-and-upload/adding-data) 프로젝트에. Roboflow는 이미지, 비디오, 주석 파일, PDF를 지원합니다. 이 가이드는 30초짜리 비디오를 업로드하고 여기서 초당 1.4프레임을 추출해 42장의 이미지를 만듭니다. 아직 데이터가 없다면, 대신 [Roboflow Universe에서 데이터셋을 가져오기](https://docs.roboflow.com/datasets/create-and-upload/adding-data/roboflow-universe) 대신.

{% embed url="<https://media.roboflow.com/quickstart/step2.mp4>" %}
{% endstep %}

{% step %}

### Auto Label로 라벨링

선택하세요 [Auto Label](https://docs.roboflow.com/datasets/annotate/annotate/ai-labeling/auto-label) 에 들어가 클래스 이름이나 객체의 짧은 설명을 입력하세요(여기서는: `감자`). 신뢰도 임계값을 기본값보다 조금 높게 설정하겠습니다. 임계값이 높으면 Auto Label은 확신이 있는 박스만 유지합니다. 몇 개의 감자를 놓칠 수 있지만, 검토 중 누락된 박스를 추가하는 것이 잘못된 박스를 수정하는 것보다 빠릅니다.

{% embed url="<https://media.roboflow.com/quickstart/step3-autolabel.mp4>" %}
{% endstep %}

{% step %}

### 주석 검토

각 이미지에서 Auto Label의 결과를 확인하세요. 박스가 올바르면 이미지를 승인합니다(`A`). 그렇지 않다면 박스를 수동으로 또는 [Smart Select](https://docs.roboflow.com/datasets/annotate/annotate/ai-labeling/smart-select),로 제거, 수정, 추가할 수 있습니다. Smart Select은 객체를 클릭하면 박스를 그려줍니다. 모든 42장의 이미지를 검토해 모두 승인하겠습니다.

{% embed url="<https://media.roboflow.com/quickstart/step4-verify-labelassist.mp4>" %}
{% endstep %}

{% step %}

### 버전을 만들고 학습

승인된 이미지를 데이터셋에 추가하고 [학습, 검증, 테스트 세트로 분할합니다](https://docs.roboflow.com/datasets/versions/dataset-versions/create-a-dataset-version). 우리는 [RF-DETR](https://docs.roboflow.com/models/supported-models/rf-detr) (Medium)을 사용할 것입니다. Roboflow가 만든 빠르고 정확한 탐지 모델이기 때문입니다. 그런 다음 데이터셋 버전을 만들고 학습을 시작합니다.

모델이 학습되는 동안 [실시간 학습 그래프](https://docs.roboflow.com/models/evaluate/training-results). 이 모델은 약 45분 만에 완료되며, 완료되면 이메일을 받게 됩니다. 모델을 열어 [평가 지표](https://docs.roboflow.com/models/evaluate/evaluate-trained-models) (mAP, 정밀도, 재현율, F1)를 확인하세요.

{% embed url="<https://media.roboflow.com/quickstart/step5-version-training.mp4>" %}
{% endstep %}

{% step %}

### 모델 배포

이제 모델을 실행할 수 있습니다. 이를 [워크플로](https://docs.roboflow.com/workflows)에서 사용하거나, 단독으로 배포할 수 있습니다. 이 가이드는 클라우드 호스팅 [Serverless Hosted API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api). 모델의 배포 페이지에서 Python 스크립트를 복사하고, 의존성을 설치한 다음, 자신의 이미지 중 하나를 지정해 실행하세요. 스크립트는 모델의 예측 결과를 JSON으로 출력합니다.

{% embed url="<https://media.roboflow.com/quickstart/step6-deploy.mp4>" %}
{% endstep %}

{% step %}

### 결과 시각화

바운딩 박스를 보려면 [supervision](https://supervision.roboflow.com)으로 이미지 위에 그려보세요. Roboflow의 오픈소스 주석 라이브러리입니다. 다음 명령으로 설치합니다 `pip install supervision`, 그런 다음 JSON 예측 결과를 불러와 각 감자 주위에 박스를 그립니다. 원본 Python 스크립트에 다음 줄을 추가하세요:

```python
detections = sv.Detections.from_inference(result)

image = cv2.imread(image_path)
image = sv.BoxAnnotator().annotate(image, detections)

cv2.imwrite("annotated.jpg", image)
```

각 박스는 모델이 찾은 감자를 표시합니다:

<figure><img src="/files/b48f8a521df2530f909cfe926e2cc058f2af48d3" alt="Potatoes on a conveyor, each marked with a bounding box"><figcaption><p>supervision으로 프레임 위에 그린 학습된 모델의 예측 결과.</p></figcaption></figure>
{% endstep %}
{% endstepper %}

## 다음 단계

* 만들기 [워크플로](https://docs.roboflow.com/workflows/build/create-a-workflow) 모델을 중심으로 로직, 시각화, 기타 단계와 연결하는 워크플로를 만드세요.
* 자신의 하드웨어에서 모델을 실행하세요. 다음을 참고하세요 [모델을 로컬에서 실행](/get-started/ko/guides/run-a-model-locally.md); 버전 페이지의 model\_id가 필요합니다(우리의 경우 이는 `erikrf/potatoes-daysm-1-rfdetr-medium-t1`).
* 비디오 스트림에서 모델을 실행하세요. 다음을 참고하세요 [비디오에서 모델 실행](/get-started/ko/guides/run-a-model-on-a-video.md).
* 더 많은 이미지를 라벨링하고 다시 학습하여 정확도를 향상시키세요. 다음을 참고하세요 [학습된 모델 평가](https://docs.roboflow.com/models/evaluate/evaluate-trained-models).