> 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/models/ko/model-weights/download-roboflow-model-weights.md).

# 모델 가중치 다운로드

자체 하드웨어에서 Roboflow 모델을 실행하려면 Roboflow Inference(권장되는 자동 방식)를 사용하거나, 필요에 따라 모델 가중치를 수동으로 다운로드할 수 있습니다.

### Roboflow Inference를 통한 자동 다운로드(권장)

[Roboflow Inference](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 는 CPU 및 GPU 장치에서 모델을 로컬로 실행하기 위한 오픈 소스의 확장 가능한 시스템입니다.

**시작하는 가장 빠르고 가장 신뢰할 수 있는 방법입니다**. Inference를 사용하면 파일이나 버전 관리를 할 필요가 없습니다. Roboflow Inference는 코드를 처음 실행할 때 모델 가중치를 자동으로 가져와 캐시합니다.

* **작동 방식**: 첫 번째 추론 요청 시 가중치가 Roboflow 서버에서 다운로드되어 로컬에 저장됩니다. 이후의 모든 예측은 이 로컬 캐시를 사용하며, 이미지는 클라우드로 전송되지 않습니다.
* **배포 옵션**:
  * [워크플로우](https://docs.roboflow.com/workflows/deploy/deploy-a-workflow): 프로덕션용 다단계 컴퓨터 비전 워크플로를 위한
  * [Python 추론 SDK](https://docs.roboflow.com/deployment/self-hosted/self-hosted#run-a-model): Python 통합용

### 수동 모델 가중치 다운로드

때로는 원시 가중치 파일(예: PyTorch `.pt` 파일)이 필요할 수 있습니다. 이는 사용자 지정 Android 구현처럼 Roboflow가 아직 기본적으로 지원하지 않는 장치에서 실행하기 위한 것입니다. 다운로드할 수 있는 형식은 모델 아키텍처에 따라 다릅니다.

가중치 다운로드 호환성은 [지원되는 모델 표](/models/ko/supported-models.md) 를 참조하세요.

{% hint style="warning" %}
무료 요금제를 포함한 Core는 [Python SDK](#method-b-python-sdk). 분류 가중치는 별도의 워크스페이스 접근 권한이 필요하며, SAM3 및 RF-DETR NAS 가중치는 다운로드할 수 없습니다. 다운로드 권한은 모델의 라이선스를 변경하지 않습니다. AGPL-3.0 YOLO 가중치(예: YOLO11, YOLO26)를 Roboflow 외부에서 상업적으로 실행하려면 Enterprise 라이선스 추가 옵션이 필요하거나, 코드를 AGPL-3.0에 따라 오픈 소스로 공개해야 합니다. 참조 [모델 라이선스](/models/ko/model-licenses.md).
{% endhint %}

#### 내보내기 형식

ONNX는 권장되는 내보내기 형식입니다. 가장 다양한 아키텍처에서 사용할 수 있으며, ONNX 파일을 TensorRT, OpenVINO, CoreML 또는 기타 ONNX 호환 런타임에서 실행하도록 변환할 수 있습니다. Roboflow Inference는 ONNX Runtime으로도 모델을 실행합니다.

<table data-search="false"><thead><tr><th>형식</th><th>일반적인 용도</th><th>사용 가능 대상</th></tr></thead><tbody><tr><td>ONNX</td><td>크로스 플랫폼 런타임(예: TensorRT, OpenVINO)</td><td>Roboflow 3.0, YOLOv8, YOLOv12, YOLO26, YOLO-NAS, RF-DETR 및 분류 모델</td></tr><tr><td>PyTorch (.pt)</td><td>사용자 지정 PyTorch 파이프라인</td><td>Roboflow 3.0, YOLOv8, YOLOv12, YOLO26, YOLO-NAS, RF-DETR 및 분류 모델</td></tr><tr><td>CoreML</td><td><a href="https://docs.roboflow.com/deployment/self-hosted/sdks/ios-sdk">iOS 및 Apple 기기</a></td><td>Roboflow 3.0, YOLOv8, YOLOv12, YOLO26, RF-DETR 및 분류 모델</td></tr><tr><td>TFLite(int8)</td><td><a href="https://docs.roboflow.com/deployment/self-hosted/sdks/openmv">마이크로컨트롤러(예: OpenMV)</a></td><td>Roboflow 3.0, YOLOv8, YOLOv12 및 YOLO26</td></tr><tr><td>TensorFlow.js</td><td><a href="https://docs.roboflow.com/deployment/self-hosted/sdks/web-browser">웹 브라우저</a></td><td>Roboflow 3.0 및 RF-DETR 객체 탐지 모델</td></tr><tr><td>Luxonis OAK / DepthAI</td><td><a href="https://docs.roboflow.com/deployment/self-hosted/sdks/luxonis-oak">OAK 카메라</a></td><td>Roboflow 3.0 및 YOLOv8 객체 탐지 모델</td></tr></tbody></table>

* 인스턴스 세분화, 분류, 키포인트 탐지 모델은 ONNX로 내보낼 수 있습니다. CoreML은 인스턴스 세분화 및 분류 모델에도 사용할 수 있습니다.
* RF-DETR 모델은 오픈 소스 [rf-detr 라이브러리](https://github.com/roboflow/rf-detr) (실험적).
* RF-DETR NAS 및 SAM3 모델은 Roboflow Inference를 통해서만 실행되며 가중치 다운로드를 지원하지 않습니다.
* 미세 조정된 멀티모달 모델(예: PaliGemma, Florence-2, Qwen)은 변환 없이 Hugging Face 출력 디렉터리(safetensors)로 다운로드됩니다.

#### 방법 A: Roboflow 플랫폼

프로젝트에서 해당 모델로 이동하세요. 워크스페이스에 "가중치 다운로드" 버튼이 있으면 클릭하여 모델 아키텍처에서 사용 가능한 형식을 다운로드하세요. 그렇지 않은 경우, [방법 B](#method-b-python-sdk).

<figure><img src="https://2225311784-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-c419cf8b11bce7fc529bbf30faacc449ff875205%2Fdownload-weights.png?alt=media" alt="Download Weights button"><figcaption></figcaption></figure>

#### 방법 B: Python SDK

Roboflow Python 패키지를 사용해 가중치를 디렉터리에 직접 다운로드할 수도 있습니다:

```python
from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_API_KEY")
model = rf.workspace().project("PROJECT_ID").version(1).models()[0]
model.download()  # 'weights.pt'를 로컬 폴더에 다운로드합니다
```

**참고**: Roboflow는 Roboflow Inference 생태계 밖에서 사용되는 모델 가중치에 대해 기술 지원을 제공하지 않습니다. 최상의 경험을 위해 1절에 설명된 Inference 경로를 사용하는 것을 권장합니다.