> 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/train/train-a-model.md).

# 모델 학습

Roboflow 대시보드에서 최신 기술로 모델을 학습하세요.

## 개요

Roboflow 인터페이스에서 컴퓨터 비전 모델을 학습할 수 있습니다.

Roboflow는 두 가지 학습 옵션을 제공합니다.

* Roboflow Custom Train: 프로덕션 환경에 바로 사용할 수 있는 모델을 만드는 데 적합한 대표 학습 서비스입니다.
* [신경망 아키텍처 검색](https://docs.roboflow.com/models/ko/train/neural-architecture-search.md): 새로운 모델 아키텍처를 탐색하는 동시에 미세 조정할 수 있습니다.

또한 이미지 주석의 첫 번째 배치를 승인하면 **Roboflow Instant Model** 이 자동으로 학습됩니다. 이 모델은 자동 라벨링이나 배포에 즉시 사용할 수 있습니다.

Roboflow에서 학습한 모델은 온디바이스 추론 서버인 Inference를 사용하거나, Workflows를 사용하는 Serverless Cloud API, Workflows를 사용한 배치 처리 또는 모델 API 엔드포인트를 통해 클라우드에 배포할 수 있습니다.

{% hint style="info" %}
Roboflow에서 학습한 모델의 라이선스에 대해 자세히 알아보려면 [라이선스 안내](https://roboflow.com/licensing) 를 읽어보세요. 각 아키텍처의 라이선스와 Roboflow에 배포할 때 포함되는 사항은 [모델 라이선스](https://docs.roboflow.com/models/ko/model-licenses.md) 를 참조하세요.
{% endhint %}

### 모델 아키텍처

학습할 수 있는 아키텍처는 프로젝트 유형에 따라 다릅니다. [지원 모델 표](https://docs.roboflow.com/models/ko/supported-models.md).

* 객체 감지: RF-DETR이 가장 높은 정확도를 제공합니다.
* 인스턴스 분할: RF-DETR Seg(미리 보기)가 가장 높은 정확도를 제공합니다.
* 키포인트 감지: "Roboflow RF-DETR Pose"는 먼저 각 객체를 찾은 다음 키포인트를 예측합니다. 각 단계의 크기를 선택할 수 있습니다.
* 시맨틱 분할: RF-DETR은 Nano부터 2XL까지 사용할 수 있습니다.

모델 크기는 아키텍처마다 다릅니다(예: RF-DETR은 Nano, Small, Medium, Large, XL, 2XL을 제공합니다). 무료 요금제를 포함한 Core에서는 더 큰 모델 크기를 지원합니다. Core에서는 [SAM3](https://docs.roboflow.com/models/ko/supported-models/sam3.md) 모델을 학습할 수 있으며, [크레딧 기반 요금](https://docs.roboflow.com/platform/billing-and-plans#credits).

이 적용됩니다. RF-DETR은 Apache 2.0 라이선스로 공개되므로 라이선스 비용을 내거나 코드를 오픈 소스로 공개하지 않고도 자체 호스팅 배포를 포함한 비공개 소스 상용 제품에 사용할 수 있습니다. RF-DETR XL 및 2XL 객체 감지, RF-DETR 시맨틱 분할, RF-DETR Pose 키포인트 모델에는 Roboflow Platform Model License(PML 1.0)가 적용됩니다. Roboflow에 배포하면 상업적 사용이 포함되며, 상업적 자체 호스팅에는 Enterprise 추가 기능이 필요합니다. YOLO 아키텍처(예: YOLO11, YOLO26)에는 AGPL-3.0이 적용됩니다. Roboflow에 배포하면 모든 사용자에게 상용 라이선스가 포함되며, 상업적 자체 호스팅에는 Enterprise 추가 기능이 필요합니다. 자세한 내용은 [모델 라이선스](https://docs.roboflow.com/models/ko/model-licenses.md).

[신경망 아키텍처 검색](https://docs.roboflow.com/models/ko/train/neural-architecture-search.md) (NAS)은 단일 아키텍처 대신 객체 감지, 인스턴스 분할 및 시맨틱 분할에 사용할 수 있습니다. 여러 모델 구성을 학습하고 평가한 다음, 정확도와 지연 시간 요구 사항에 가장 적합한 모델을 추천합니다. NAS에는 검증 이미지가 최소 15개 필요합니다. 자세한 내용은 [NAS 학습 차트](https://docs.roboflow.com/models/ko/evaluate/training-results.md#nas-training-charts).

### 체크포인트

체크포인트에서 학습하면 [전이 학습](https://blog.roboflow.com/what-is-transfer-learning/)이 적용됩니다. 모델은 선택한 모델의 가중치로 시작하므로 학습 시간을 줄이고 점수를 높일 수 있습니다. 객체 감지에는 세 가지 옵션이 있습니다.

* 이전 체크포인트: 모델의 이전 버전에서 시작합니다(객체 감지, 인스턴스 분할, 키포인트 감지). 학습 속도가 더 빠릅니다. 해당 모델이 이미 좋은 성능을 내는 경우에만 사용하세요.
* 공개 체크포인트: 기본값이며 Microsoft COCO로 학습되었습니다. 첫 번째 모델을 만들 때 또는 이전 학습에서 기대한 결과를 얻지 못했을 때 사용하세요. Universe 프로젝트에서 학습할 수도 있습니다(객체 감지만 해당). 먼저 [Universe에서 별표 표시](https://blog.roboflow.com/launch-universe-model-checkpoint/).
* 를 해야 합니다. 무작위 초기화: 전이 학습 없이 무작위 가중치로 시작합니다. 고급 사용자를 위한 옵션이며, 대부분의 사용자는 결과가 더 나쁩니다.

분류와 시맨틱 분할에는 ImageNet으로 학습된 체크포인트 하나가 있습니다.

### 크레딧 한도 설정

한 번의 학습 실행에서 사용할 크레딧 수를 제한할 수 있습니다. 한도를 설정하려면 [사용량 기반 요금](https://docs.roboflow.com/platform/billing-and-plans#credits)이 적용되는 요금제가 필요합니다. 한도 없이 실행하려면 한도 입력란을 비워 두세요.

실행이 한도에 도달하면 Roboflow가 실행을 중지하고 모델 가중치를 보존합니다. 이는 [학습을 조기에 중지하는](https://docs.roboflow.com/models/ko/train/cancel-a-training-job.md)것과 같습니다. 작업이 실행되는 동안 학습 화면에 한도 내에서 사용한 크레딧 수가 표시됩니다.

각 모델에는 최소 한도가 있습니다. 이는 모델을 생성할 수 있는 가장 짧은 실행의 비용입니다. 이보다 낮은 한도는 거부됩니다. 예상 비용보다 낮은 한도는 설정할 수 있지만, 실행이 완료되기 전에 중지될 가능성이 높습니다.

[신경망 아키텍처 검색](https://docs.roboflow.com/models/ko/train/neural-architecture-search.md) 은 학습과 아키텍처 검색에 각각 요금이 부과되므로 한도가 두 개입니다. 한쪽에만 한도를 설정하면 다른 단계에는 한도가 적용되지 않습니다.

상한이 설정된 실행이 크레딧을 남기고 중지되면 이어서 실행할 수 있습니다. 새 실행에서는 상한 내에서 남은 크레딧을 사용할 수 있습니다. 남은 크레딧이 모델의 최소 요구량보다 적으면 새 학습을 시작하세요.

### 소요 시간 및 비용

학습 비용은 학습 작업의 실행 시간에 따라 책정됩니다. 자세한 내용은 [크레딧 페이지](https://www.roboflow.com/credits)를 참조하세요. 학생과 연구자는 [추가 크레딧을 신청](https://roboflow.com/contribute).

데이터셋과 이미지가 클수록 학습 시간이 길어집니다. 대부분의 경우 24시간 이내에 학습이 완료되면 이메일을 받습니다.

다음으로 학습한 Action Recognition 버전의 [Cosmos 3 Edge](https://docs.roboflow.com/models/ko/supported-models/cosmos-3-edge.md) 예상치는 이미지가 아니라 동영상을 기준으로 계산됩니다. 예상치에는 버전에 포함된 동영상 수와 각 동영상의 길이, 실행의 동영상 샘플링 설정이 반영되므로 이러한 설정을 바꾸면 예상치도 달라집니다. 버전에 동영상 세부 정보가 없으면 예상치를 제공하지 않습니다. V-JEPA 2.1 학습에는 예상치가 표시되지 않습니다.

### 하나의 버전에서 여러 모델 학습하기

동일한 데이터셋 버전에서 여러 모델을 학습하여 동일한 데이터를 기준으로 아키텍처나 크기를 비교할 수 있습니다. 각 학습은 독립적으로 실행되고 평가되며, 버전 페이지에는 모든 학습이 표시되므로 원하는 학습으로 전환할 수 있습니다.

### Agent에서 학습 시작하기

다음에서 학습을 시작할 수 있습니다. [Roboflow Agent](https://docs.roboflow.com/agents/roboflow-agent): 프로젝트 탭을 열고 "Train"을 클릭하거나 채팅으로 요청하세요. Train Model 및 List Versions 권한이 필요합니다.

채팅 요청으로 학습을 시작하기 전에 Agent는 해당 설정의 예상 소요 시간과 크레딧 비용을 표시합니다. 학습이 일찍 중지되는 경우가 많으므로 일반적인 비용과 모든 에포크를 실행하는 전체 학습 비용을 함께 표시합니다. 확인하기 전에는 학습이 시작되지 않습니다. 실행이 시작되기 전에 전체 학습 예상치가 바뀌면 Agent가 새 금액을 확인해 달라고 요청합니다. 일부 모델(예: PatchCore, FoundAD)은 실행 전에 예상치를 제공하지 않습니다. 이 경우 Agent는 비용을 알 수 없다고 알리고 시작 전에 확인을 요청합니다. 버전을 아직 내보내지 않은 경우 Agent가 먼저 내보내며, 내보내기가 완료되면 학습이 시작됩니다. 프로젝트에 버전이 없는 경우 같은 화면에서 버전을 만들 수 있습니다.

버전을 만들거나 학습을 시작하기 전에 Agent는 train, valid, test 분할을 확인합니다. 이미지가 잘못된 분할에 있으면 Agent는 분할을 재조정할지 묻고 조정 후 항목 수를 표시합니다. 동의한 경우에만 재조정합니다. 거절하면 학습이 시작되지 않습니다.

모델을 비교하려면 Agent에 하나의 데이터셋 버전으로 여러 모델을 학습해 달라고 요청하세요. 각 실행의 입력 크기, 전처리, 증강 및 하이퍼파라미터를 설정하거나 모델의 기본값을 사용할 수 있습니다. 모델이나 설정만 바꾸면 Agent는 기존 버전을 재사용하고, 데이터가 바뀌면 새 버전을 만듭니다. Agent는 모든 예상치를 한꺼번에 표시하고 실행을 동시에 시작할지, 차례로 시작할지 한 번 확인합니다.

## 웹 앱

프로젝트 탐색 메뉴에서 "Train"을 열고 "Custom Training"을 클릭합니다.

<figure><img src="https://2225311784-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-2d1f17a9d0b43e75da368beb4042aae04ffb3c74%2Fimage%20(469).png?alt=media" alt=""><figcaption></figcaption></figure>

<figure><img src="https://2225311784-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-1be2ba90f2fff0ea791352cb97bf033c4215651e%2Fimage%20(470).png?alt=media" alt=""><figcaption></figcaption></figure>

1. 학습 엔진을 선택합니다. 단일 아키텍처 또는 NAS를 선택할 수 있습니다.
2. 아키텍처와 크기를 선택합니다. 목록에는 프로젝트 유형에서 지원하는 아키텍처만 표시됩니다. Workspace에서 SAM3에 액세스할 수 있게 될 때까지 "Request Feature" 버튼이 표시됩니다.
3. 데이터를 선택합니다. 먼저 버전을 만들 필요는 없습니다. "Current Dataset"은 최신 이미지와 주석을 사용하며, 학습이 시작될 때 Roboflow가 카드에 표시된 이름과 분할을 사용해 버전을 만듭니다. 저장된 버전을 선택하면 해당 버전에 고정된 데이터를 사용합니다.
4. 선택 사항으로 "Customize Training Recipe"를 조정할 수 있습니다. 여기에는 "Training Preprocessing", "Online Augmentations", "Checkpoint", "Hyperparameters", 그리고 NAS의 경우 "Latency Band"가 포함됩니다.
5. 선택 사항으로 "Credit Cap"을 입력할 수 있습니다(NAS의 경우 "Training Credit Cap" 및 "Search Credit Cap"). 입력란 아래에 모델의 최소 요구량이 표시됩니다. 자세한 내용은 [크레딧 상한 설정](#set-a-credit-cap).
6. 학습 요약에서 예상 소요 시간과 크레딧 비용을 확인한 다음 "Start Training"을 클릭합니다.

<figure><img src="https://2225311784-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-08cf55061739c4354386d454051aaa68ffbf5b02%2Fimage%20(472).png?alt=media" alt=""><figcaption></figcaption></figure>

<figure><img src="https://2225311784-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-18d9396cb8b4f7bf0e73319da14e3cb287251177%2FScreenshot%202025-05-14%20at%2014.12.53.png?alt=media" alt=""><figcaption></figcaption></figure>

저장된 버전의 설정을 사용해 시작하려면 해당 카드에서 "Reuse Preprocessing and Augmentations"를 클릭합니다(베이크드 학습의 경우 "Copy Preprocessing and Augmentations to Current Dataset"). 그러면 전처리, 증강, 클래스 매핑 및 태그 필터가 "Current Dataset"에 복사되며, 여기서 이를 수정할 수 있습니다.

저장된 버전을 사용하는 경우, 레시피의 전처리 및 증강 항목은 버전을 생성할 때 이미 적용되었으므로 잠겨 있습니다. 그렇지 않으면 "Training Preprocessing"과 "Online Augmentations"는 해당 실행에만 적용되며 버전은 변경하지 않습니다. 모델에 사용된 설정을 보려면 버전 페이지에서 모델을 선택하고 "Training Recipe" 카드를 여세요.

YOLO 및 RF-DETR 객체 감지와 인스턴스 분할 모델의 경우, "Online Augmentations"에는 선택한 모델에 권장되는 단계가 기본으로 설정되어 있습니다. 이를 변경한 경우 "Reset to Recommended"를 클릭하면 권장 설정으로 돌아갑니다. 객체 감지와 인스턴스 분할에는 "Affine" 단계(무작위 확대/축소, 이동, 회전, 기울이기 및 원근 변환)도 제공됩니다. 객체 감지에는 "Mosaic"의 "Expanded canvas" 옵션도 있습니다. 이 옵션은 학습 크기의 두 배인 캔버스에 네 개의 이미지를 배치합니다. 이 옵션을 "Affine"과 함께 사용하면 학습 크기에 맞게 다시 자를 수 있습니다.

## HTTP API

프로젝트에 생성된 데이터셋 버전이 있으면 해당 버전에서 학습 작업을 대기열에 추가할 수 있습니다. 호출에 사용하는 API 키에는 `training-job:create` 범위가 필요합니다.

### 학습 작업 시작

데이터셋 버전에서 학습 작업을 대기열에 추가합니다. 학습은 백그라운드에서 실행됩니다. `204` 응답은 작업이 완료된 것이 아니라 대기열에 추가되었음을 의미합니다. 응답에는 학습 ID가 없습니다. 진행 상황을 확인하려면 [학습 결과 가져오기](https://docs.roboflow.com/models/ko/evaluate/training-results.md#http-api)를 폴링하거나 [버전의 학습 목록 조회](https://docs.roboflow.com/models/ko/model-ids.md#http-api) 를 통해 새 학습을 찾으세요.

버전이 학습할 준비가 되지 않은 경우 `400` 오류에 해결 방법을 나타내는 `remedy` 가 포함되므로 스크립트나 에이전트가 메시지를 읽지 않고도 조치를 취할 수 있습니다. 요금제 한도는 웹 앱과 동일한 방식으로 적용됩니다.

{% openapi src="/files/436cda1d7d5de96680fb8260e41b12c3992c9683" path="/{workspace}/{project}/{version}/train" method="post" %}
[trainings.yaml](https://2225311784-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-4028116544554a08ca7a36c2a7e2a8ecde4e69e3%2Ftrainings.yaml?alt=media)
{% endopenapi %}

### 학습을 시작하고 ID 가져오기

학습 작업 시작과 동일한 필드를 사용하며 새 `trainingId`를 반환합니다. 하나의 버전에 여러 학습이 포함될 수 있고 나중에 특정 학습을 중지, 취소 또는 조회하려는 경우 이 ID를 사용하세요.

{% openapi src="/files/436cda1d7d5de96680fb8260e41b12c3992c9683" path="/{workspace}/{project}/{version}/v2/trainings" method="post" %}
[trainings.yaml](https://2225311784-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2Fcmo9mhfIjYrvFFy1U7dk%2Fuploads%2Fgit-blob-4028116544554a08ca7a36c2a7e2a8ecde4e69e3%2Ftrainings.yaml?alt=media)
{% endopenapi %}

## Python SDK

`Version.train()` 는 Roboflow 플랫폼에서 학습을 예약합니다. 작업이 대기열에 추가되면 호출이 반환되며, 학습 자체는 비동기적으로 실행됩니다.

```python
import roboflow

rf = roboflow.Roboflow(api_key="YOUR_API_KEY")
project = rf.workspace().project("my-detector")

# 아직 버전이 없다면 전처리 및 증강을 설정해 버전을 생성합니다.
new_version = project.generate_version({
    "preprocessing": {
        "auto-orient": True,
        "resize": {"width": 640, "height": 640, "format": "Stretch to"},
    },
    "augmentation": {},
})
version = project.version(new_version)

# 학습을 예약합니다.
model = version.train(
    model_type="rfdetr-nano",   # 전체 목록을 오류로 반환하려면 유효하지 않은 값을 전달합니다
    checkpoint=None,             # 선택 사항: 이전 체크포인트에서 학습 재개
    epochs=100,                  # 선택 사항: 기본값은 모델 유형에 따라 다릅니다
    plot_in_notebook=False,      # 학습 진행 상황 그래프 표시(노트북에서만)
)
```

### 매개변수

* `model_type` (str) - 아키텍처 식별자. 일반적인 값: `rfdetr-nano`, `rfdetr-base`, `yolov8`, `yolov11`. 프로젝트 유형에 따라 다릅니다. 전체 목록을 오류로 반환하려면 유효하지 않은 값을 전달하세요.
* `speed` (str, 선택 사항) - `"fast"` (기본값) 또는 `"accurate"`. 정확도 높은 학습은 유료 기능입니다.
* `checkpoint` (str, 선택 사항) - 학습을 재개할 체크포인트의 ID입니다.
* `epochs` (int, 선택 사항) - 에폭 수입니다. 기본값은 모델 유형에 따라 다릅니다.
* `plot_in_notebook` (bool, 기본값 `False`) - 학습 진행 상황을 인라인으로 표시합니다(노트북에서만).

### 학습 후

학습이 완료되면 `Version`의 `.model` 속성에서 호스팅된 모델을 반환합니다.

```python
predictions = version.model.predict("photo.jpg", confidence=40, overlap=30).json()
```

자세한 내용은 [이미지에서 모델 실행](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api#python-sdk) 전체 추론 레퍼런스는 다음을 참조하세요.

## CLI

명령줄에서 모델 학습을 시작할 수 있습니다. 학습은 Roboflow의 클라우드 인프라에서 실행됩니다.

### 명령

```bash
roboflow train start -p <project> -v <version> -t <model-type>
```

(start를 생략한) 축약형을 사용할 수도 있습니다. `start`):

```bash
roboflow train -p <project> -v <version> -t <model-type>
```

#### 옵션

| 플래그               | 설명                                |
| ----------------- | --------------------------------- |
| `-p`, `--project` | 프로젝트 ID(필수)                       |
| `-v`, `--version` | 버전 번호(필수)                         |
| `-t`, `--type`    | 모델 유형(예: `yolov8n`, `rfdetr-nano` |
| `--checkpoint`    | 학습을 재개할 체크포인트                     |
| `--speed`         | 학습 속도 사전 설정                       |
| `--epochs`        | 학습 에포크 수                          |

### 예시

특정 모델 유형으로 학습을 시작합니다:

```bash
roboflow train start -p my-detector -v 3 -t yolov8n
```

체크포인트에서 학습을 재개합니다:

```bash
roboflow train start -p my-detector -v 3 -t yolov8n --checkpoint my-checkpoint
```

### JSON 출력

```bash
roboflow train start -p my-detector -v 3 -t yolov8n --json
```

```json
{
  "status": "training_started",
  "project": "my-detector",
  "version": 3
}
```

## MCP 서버

AI 에이전트를 다음 MCP 서버에 연결하면 [MCP 서버](https://docs.roboflow.com/agents/mcp-server) 다음 도구를 사용해 모델을 학습할 수 있습니다:

<table data-search="false"><thead><tr><th width="290">도구</th><th>설명</th></tr></thead><tbody><tr><td><code>trainings_describe_recipe</code></td><td>모델 유형의 튜닝 옵션을 설명하고 바로 제출할 수 있는 레시피를 반환합니다.</td></tr><tr><td><code>trainings_create</code></td><td>데이터셋 버전으로 학습 실행을 시작합니다.</td></tr><tr><td><code>trainings_get</code></td><td>학습 상태, 생성된 모델 및 지표를 가져옵니다.</td></tr><tr><td><code>trainings_list</code></td><td>데이터 세트 버전의 학습 실행 목록을 확인합니다.</td></tr></tbody></table>

## 다음 단계

* [학습 작업 중지 또는 취소](https://docs.roboflow.com/models/ko/train/cancel-a-training-job.md).
* 모델의 성능을 검토하고 학습 실행을 비교하세요. 자세한 내용은 다음을 참조하세요. [학습된 모델 평가](https://docs.roboflow.com/models/ko/evaluate/evaluate-trained-models.md).
* 다음으로 모델을 배포하세요: [서버리스 클라우드 API](https://docs.roboflow.com/deployment/roboflow-cloud/serverless-api).
