신경망 아키텍처 탐색

최적의 모델 아키텍처를 자동으로 검색하고 모델을 동시에 미세 조정하세요.

NAS 결과 페이지에는 학습된 모든 모델이 속도-정확도 파레토 프런티어를 따라 표시됩니다.

Roboflow의 Neural Architecture Search(NAS)는 데이터셋에서 수십 개의 모델 아키텍처를 자동으로 학습하고, 속도-정확도 트레이드오프 곡선을 따라 최적의 옵션을 보여주는 강력한 새로운 기능입니다. 전통적인 모델 학습 전략보다 모델당 비용이 더 낮으면서도 선택할 수 있는 여러 모델 옵션을 생성합니다.

설명한 대로 RF-DETR 논문에서 , 이 Neural Architecture Search 전략이 RF-DETR의 SOTA 모델 아키텍처를 만들어냈습니다. Roboflow는 이 전략을 모든 Roboflow 고객에게 제공하여, 누구나 자신의 사용 사례에 맞는 SOTA 모델을 만들 수 있게 합니다.

Neural Architecture Search:

• 데이터 특성을 기반으로 사용 사례에 가장 적합한 모델 아키텍처를 식별합니다.

• 해당 아키텍처를 데이터에 맞게 미세 조정합니다.

• 5,000개가 넘는 구성을 테스트하여, 모든 지연 시간 지점에서 정확도에 최적화된 10~100개의 학습된 모델을 만들어냅니다.

Neural Architecture Search를 사용할 때

프로덕션에 배포할 모델을 선택할 때는 NAS를 실행하는 것이 거의 항상 가치가 있습니다. 파레토 프런티어의 각 채택 모델은 모두 여러분의 데이터로 완전히 학습되므로, 단순히 크기만 고르는 것이 아니라 특정 배포 대상에 가장 적합한 속도/정확도 트레이드오프를 선택하게 됩니다. 실제 고객 실행에서는 NAS가 동일한 지연 시간에서 단일 RF-DETR Medium 미세 조정을 꾸준히 능가하며, 종종 큰 차이로 앞섭니다.

다음과 같은 경우 NAS를 고려하세요:

• 주어진 지연 시간 예산에서 더 높은 정확도, 또는 주어진 정확도 목표에서 더 낮은 지연 시간이 필요할 때.

• 프로덕션용 모델을 준비하면서 속도/정확도 곡선의 옵션들을 비교하고 싶을 때.

• 그렇지 않으면 하이퍼파라미터 탐색을 실행하거나 여러 모델 크기를 연속으로 학습하게 될 때.

• 최첨단 성능이 필요할 때.

다음과 같은 경우 NAS는 과할 수 있습니다:

• 사용 사례가 단순하고 "충분히 좋은" 모델로도 충분할 때(예: 밝은 환경에서 사람을 탐지하는 경우). 탐색적이거나 초기 단계의 프로젝트라면, 단일 미세 조정이 보통 올바른 선택입니다.

• 가장 큰 RF-DETR 체크포인트(예: RF-DETR XXL)만 원하고 더 작은 트레이드오프 지점에는 관심이 없을 때.

비용, 크레딧, 요금제 이용 가능성

NAS는 사용량 기반 과금이 포함된 모든 유료 Roboflow 요금제에서 사용할 수 있습니다. Trial, Free, Public 요금제 사용자는 NAS에 접근할 수 없습니다. 사용량 기반 과금이 없는 레거시 요금제는 NAS 실행을 시작하기 전에 이를 활성화하라는 안내를 받게 됩니다.

NAS 실행은 Roboflow의 표준 학습 요율로 과금됩니다 - 학습 시간 30분당 1 크레딧 - 이는 다른 어떤 학습 작업과도 동일한 시간당 요율입니다. 하나의 실행은 수십 개의 학습된 모델을 생성하므로 모델당 비용은 각각을 개별적으로 학습하는 것보다 낮지만, 단일 NAS 작업에 드는 총 크레딧은 단일 미세 조정보다 높습니다.

일반적으로 예상할 수 있는 범위:

• 약 2,500장 이미지의 객체 탐지 데이터셋은 일반적으로 약 18시간(약 36크레딧)이 소요됩니다.

• 인스턴스 세분화 NAS 는 객체 탐지 NAS보다 GPU 사용량이 더 많습니다. 대략 1.5~2배 더 긴 실행 시간을 예상하세요.

학습 UI는 시작하기 전에 예상 소요 시간과 크레딧 비용을 보여줍니다. 예상 시간이 하루 분량의 학습을 초과하면, 작업이 시작되기 전에 확인을 요청받게 됩니다.

NAS 실행은 학습과 아키텍처 탐색이 별도로 과금되므로, 크레딧 상한 을 각각에 설정할 수 있습니다. 학습 단계에만 상한을 두면 탐색에는 상한이 적용되지 않고, 그 반대도 마찬가지입니다.

워크스페이스에서 flex billing이 비활성화되어 있고 포함된 크레딧이 실행 중간에 소진되면 NAS는 자동으로 중지됩니다. 포함된 크레딧 잔액과 관계없이 실행을 완료하려면 시작하기 전에 flex billing을 활성화하세요.

NAS vs. YOLO-NAS

여기에서 설명하는 "Neural Architecture Search" 엔진은 YOLO-NAS와 동일하지 않습니다. YOLO 기반 단일 아키텍처로, Roboflow 모델 목록에도 표시됩니다. NAS 사용을 위해 업그레이드했다면 Train 페이지에서 Neural Architecture Search 엔진이 아니라 YOLO-NAS 모델 아키텍처를 선택하고 있지 않은지 확인하세요.

Roboflow NAS는 백본에 더 많은 세계 지식을 통합한 RF-DETR을 사용해 더 강력한 기반에서 시작합니다. 그다음 NAS는 데이터셋에 맞게 아키텍처를 조정합니다. 예를 들어, 여러분의 데이터가 디코더 레이어 수가 더 적은 모델에서 이점을 얻는다면 NAS가 해당 아키텍처를 자동으로 찾아 제공할 수 있습니다.

지원되는 작업 및 알려진 제한 사항

현재 NAS는 다음을 지원합니다:

• 객체 탐지

• 인스턴스 세분화

기타 현재 제한 사항:

• 원본 가중치(.pt, .onnx 등)는 서드파티 추론 서버에서 사용하기 위해 다운로드할 수 없습니다. NAS 모델은 Roboflow Serverless Cloud API, Dedicated Deployments, Workflows, Batch Processing 및 자체 호스팅 Roboflow Inference에서 실행됩니다. NAS 가중치를 다운로드하여 실행하려면 Roboflow Inference를 권장합니다.

• NAS로 발견된 모델 가중치는 Roboflow의 Platform Model License에 따라 라이선스가 부여되며, 유효한 상태의 Roboflow 계정을 보유해야 합니다.

NAS 학습 실행 시작하기

1

Train 탭을 열고 Neural Architecture Search 엔진을 선택하세요.

프로젝트의 Train 탭을 열고(위치: https://app.roboflow.com/YOUR_WORKSPACE/YOUR_PROJECT_NAME/train) Neural Architecture Search 에서

엔진을 선택하세요.

2

백본 선택

여러 모델 변형이 있는 프로젝트 유형(예: 객체 탐지는 Fast, Standard, Plus 제공)에서는 계속하기 전에 백본을 선택해야 합니다. 사용 사례에 맞는 변형을 클릭하세요. 단일 변형이 있는 프로젝트 유형(예: 인스턴스 세분화)에서는 자동으로 선택됩니다.

3

데이터셋 버전 선택 또는 생성

기존 데이터셋 버전을 선택하거나 새로 만드세요. 몇 가지 팁:

• NAS 학습을 위해 데이터셋에 증강을 추가하는 것은 권장하지 않습니다.

• 검증 분할에는 최소한 15장 이미지가 포함되어야 합니다. NAS는 안정적인 파레토 프런티어를 찾기 위해 충분한 검증 데이터가 필요하며, 15장 미만의 검증 이미지가 있는 학습 요청은 API에서 거부됩니다.

NAS 실행을 위한 데이터셋 버전을 선택하거나 생성하세요.

4

백본 선택(객체 탐지 전용)

객체 탐지 프로젝트에서는 세 가지 백본 옵션 중에서 선택할 수 있습니다:

• Fast - 가장 빠른 학습, 가장 낮은 지연 시간의 모델을 찾아냅니다. 추론 속도가 최우선인 CPU 또는 엣지 배포에 가장 적합합니다.

• Standard - 균형 잡힌 학습 시간, 넓은 지연 시간 범위의 모델을 찾아냅니다. 좋은 속도-정확도 트레이드오프를 원하는 엣지 또는 GPU 배포에 가장 적합합니다.

• Plus - 가장 정확한 모델을 찾아냅니다. 지연 시간보다 정확도가 더 중요한 클라우드 GPU 배포에 가장 적합합니다.

인스턴스 세분화 프로젝트는 단일 백본을 사용하므로 이 단계를 건너뜁니다.

5

학습 시작

클릭하여 학습 시작 을 눌러 실행을 시작하세요.

구성 페이지에서 NAS 실행을 시작하세요.

NAS 결과 페이지 읽기

보라색 점 하나하나는 배포 가능한 완전히 학습된 모델입니다.

결과 페이지에는 NAS가 데이터에서 탐색하고 학습한 모든 모델이 파레토 프런티어를 따라 표시됩니다. 이는 각 지연 시간 지점에서 발견된 최상의 모델입니다. 보라색 점 하나하나는 배포할 수 있는 완전히 학습된 모델입니다. 탐색이 진행되는 동안 프런티어는 실시간으로 업데이트되므로 전체 실행이 끝나기 전에 후보를 평가하기 시작할 수 있습니다.

메트릭 선택하기. F1, mAP@50, mAP@50:95 사이를 전환하여, 여러분의 사용 사례에서 중요한 메트릭에 대해 프런티어를 평가하세요. 메트릭에 따라 프런티어에 나타나는 모델이 다를 수 있는데, 이는 정상입니다. 프로덕션에서 모델을 평가하는 방식과 가장 유사한 메트릭을 선택한 다음, 목표 지연 시간에서 가장 좋은 모델을 고르세요. 대부분의 사용 사례에는 F1을 권장합니다.

모델에 별표 표시하기. 사용하려는 모델에 별표를 지정하세요. 별표가 지정된 모델은 Workflow 모델 선택기에 표시되며, 별표가 없는 모델은 결과 페이지에는 남아 있지만 선택기에서는 숨겨져 화면이 덜 복잡해집니다. 원하는 만큼 많이 또는 적게 별표를 지정할 수 있습니다. 별표 지정은 무료이며 되돌릴 수 있습니다.

별표가 지정된 모델 사용하기. 다른 Roboflow 모델과 마찬가지로 Workflow의 모델 블록을 사용해 선택하세요.

실행 중 NAS가 표시하는 실시간 학습 차트(Training Progress Band 및 Epoch Snapshot 보기)에 대한 자세한 내용은 학습 결과 보기.

NAS 실행 중지하기

NAS 작업에는 두 단계가 있습니다 - 학습 및 탐색 - 이 같은 작업에서 연속으로 실행됩니다. 실행을 중지하는 방법은 두 가지입니다:

• 조기 중지 (현재 프런티어에 만족할 때 권장). 단계에 따라 "학습 조기 중지" 또는 "탐색 중지"를 클릭하세요. 그 시점까지 탐색된 모델은 보존되며 배포할 수 있습니다. 완료된 작업에 사용된 크레딧은 과금됩니다. 자세한 내용은 학습 작업 중지 또는 취소 를 참조하세요.

• 취소 (실행을 완전히 중단하고 싶을 때). "학습 취소"를 클릭하세요. 가중치는 저장되지 않지만, 작업 초기에 취소하면 크레딧이 환불됩니다. 자세한 내용은 학습 작업 중지 또는 취소.

NAS 실행은 모델이 수렴할 때, 즉 모든 목표 epoch가 끝나기 전에 최고 성능에 도달하면 자동으로 중지되기도 합니다. 결과 페이지의 배너에 이 사실이 표시됩니다. 사용자가 따로 조치할 필요는 없습니다.

NAS로 찾은 모델 배포하기

NAS로 발견된 모델은 다른 Roboflow 학습 모델과 마찬가지로 배포할 수 있습니다. 다음에서 실행할 수 있습니다:

• Roboflow Serverless Cloud API (아래 코드 예제 참조).

• Dedicated Deployments 더 높은 처리량 또는 예약 용량을 위해.

• Workflows 및 Batch Processing 비전 파이프라인을 구축하고 실행하기 위해.

• 자체 호스팅 Roboflow Inference 자체 하드웨어에서(Docker, 엣지 또는 클라우드).

Roboflow Inference로 NAS 모델을 로컬에서 실행하기

설치하고 Roboflow Inference 를 시작한 다음, inference-sdk 를 http://localhost:9001 에 연결하고, 다른 Roboflow 모델과 동일하게 NAS 모델 ID로 호출하세요. 아래 코드 예제는 호스팅된 엔드포인트와 로컬 Inference 서버 모두에서 동작합니다. 단지 api_url.

Roboflow Serverless Cloud API

Python (requests)

import base64

import requests

API_KEY = "roboflow-API-KEY"
MODEL_ID = "your-workspace/the-model-id-here"
IMAGE_PATH = "your_image_path.png"

with open(IMAGE_PATH, "rb") as f:
    image_data = base64.b64encode(f.read()).decode("utf-8")

response = requests.post(
    f"https://serverless.roboflow.com/{MODEL_ID}",
    params={"api_key": API_KEY},
    headers={"Content-Type": "application/x-www-form-urlencoded"},
    data=image_data,
)

print(response.json())

Python (inference-sdk)

종속성을 설치하려면, pip install inference-sdk.

from inference_sdk import InferenceHTTPClient

CLIENT = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",
    api_key="roboflow-API-KEY"
)

result = CLIENT.infer("your_image_path.png", model_id="your-workspace/the-model-id-here")
print(result)

cURL

Linux 또는 MacOS

다음 이름의 로컬 파일에 대한 JSON 예측 가져오기 your_image_path.png:

base64 your_image_path.png | curl -d @- \
"https://serverless.roboflow.com/your-workspace/the-model-id-here?api_key=roboflow-API-KEY"

URL을 통해 웹의 다른 곳에 호스팅된 이미지에 대해 추론하기(반드시 URL 인코딩을 잊지 마세요):

curl -X POST "https://serverless.roboflow.com/your-workspace/the-model-id-here?\
api_key=roboflow-API-KEY&\
image=https%3A%2F%2Fi.imgur.com%2FPEEvqPN.png"

Javascript

Node.js

이 예제들은 내장된 fetch API를 사용합니다. 이는 Node.js 18 이상과 최신 브라우저에서 동작하므로 설치할 종속성이 없습니다.

로컬 이미지에 대해 추론하기

const fs = require("fs");

const image = fs.readFileSync("your_image_path.png", {
    encoding: "base64"
});

fetch("https://serverless.roboflow.com/your-workspace/the-model-id-here?api_key=roboflow-API-KEY", {
    method: "POST",
    headers: {
        "Content-Type": "application/x-www-form-urlencoded"
    },
    body: image
})
    .then((response) => {
        if (!response.ok) throw new Error("상태 " + response.status + "로 요청이 실패했습니다.");
        return response.json();
    })
    .then((data) => {
        console.log(data);
    })
    .catch((error) => {
        console.log(error.message);
    });

URL을 통해 웹의 다른 곳에 호스팅된 이미지에 대해 추론하기

fetch(
    "https://serverless.roboflow.com/your-workspace/the-model-id-here?api_key=roboflow-API-KEY&image=" +
        encodeURIComponent("https://i.imgur.com/PEEvqPN.png"),
    {
        method: "POST"
    }
)
    .then((response) => {
        if (!response.ok) throw new Error("상태 " + response.status + "로 요청이 실패했습니다.");
        return response.json();
    })
    .then((data) => {
        console.log(data);
    })
    .catch((error) => {
        console.log(error.message);
    });