> 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/reference/ko/inference/inference-cli/infer.md).

# 예측 수행

해당 `inference infer` 이 명령은 입력 이미지 또는 비디오 파일을 기반으로 모델에서 예측을 수행하고, Inference Server로 요청을 보내는 쉬운 방법을 제공합니다.

{% hint style="success" %}
명령의 세부 정보를 보려면 다음을 실행하세요:

```bash
inference infer --help
```

{% endhint %}

## 명령 세부 정보

`inference infer` 입력 경로 또는 URL과 모델 버전을 받아 예측을 생성하며(선택적으로 다음을 사용하여 시각화를 만듭니다 `supervision`). 또한 Roboflow 호스팅 추론 서버에서 추론을 실행하도록 호스트를 지정할 수 있습니다.

{% hint style="info" %}
로컬 Inference Server를 사용하는 경우, 명령을 `inference server start` 먼저 사용했는지 확인하세요.
{% endhint %}

{% hint style="success" %}
Roboflow API 키는 다음을 통해 제공할 수 있습니다: `ROBOFLOW_API_KEY` 환경 변수.
{% endhint %}

## 예시

### 로컬 이미지에서 예측

이 명령은 선택한 모델을 사용하여 로컬 이미지에서 예측을 수행하고, 예측 결과를 콘솔에 출력합니다.

```bash
inference infer -i ./image.jpg -m {your_project}/{version} --api-key {YOUR_API_KEY}
```

시각화된 예측을 표시하려면 다음을 사용하세요: `-D` 옵션을 사용하세요. 예측과 시각화를 로컬 디렉터리에 저장하려면 다음을 사용하세요: `-o {path_to_your_directory}` 옵션을 사용하세요. 이러한 옵션은 다른 모드에서도 작동합니다.

```bash
inference infer -i ./image.jpg -m {your_project}/{version} --api-key {YOUR_API_KEY} -D -o {path_to_your_output_directory}
```

### 이미지 URL에서 예측

```bash
inference infer -i https://[YOUR_HOSTED_IMAGE_URL] -m {your_project}/{version} --api-key {YOUR_API_KEY}
```

### 호스팅된 API 사용

```bash
inference infer -i ./image.jpg -m {your_project}/{version} --api-key {YOUR_API_KEY} -h https://serverless.roboflow.com
```

### 로컬 디렉터리에서 예측

```bash
inference infer -i {your_directory_with_images} -m {your_project}/{version} -o {path_to_your_output_directory} --api-key {YOUR_API_KEY}
```

### 비디오 파일에서 예측

```bash
inference infer -i {path_to_your_video_file} -m {your_project}/{version} -o {path_to_your_output_directory} --api-key {YOUR_API_KEY}
```

### 시각화 구성

해당 `-c` 옵션은 다음 경로와 함께 제공할 수 있습니다: `*.yml` 구성 파일 `supervision` 시각화를 구성하는 데 사용합니다. 미리 정의된 구성은 다음과 같습니다:

* `bounding_boxes` - 다음과 함께 `BoxAnnotator` 및 `LabelAnnotator` 주석기
* `bounding_boxes_tracing` - 다음과 함께 `ByteTracker` 및 주석기 (`BoxAnnotator`, `LabelAnnotator`)
* `마스크` - 다음과 함께 `MaskAnnotator` 및 `LabelAnnotator` 주석기
* `다각형` - 다음과 함께 `PolygonAnnotator` 및 `LabelAnnotator` 주석기

다음 스키마에 따라 사용자 지정 구성을 만들 수 있습니다:

```yaml
annotators:
  - type: "bounding_box"
    params:
      thickness: 2
  - type: "label"
    params:
      text_scale: 0.5
      text_thickness: 2
      text_padding: 5
  - type: "trace"
    params:
      trace_length: 60
      thickness: 2
tracking:
  track_activation_threshold: 0.25
  lost_track_buffer: 30
  minimum_matching_threshold: 0.8
  frame_rate: 30
```

해당 `주석기` 필드는 두 개의 키를 가진 딕셔너리 목록입니다: `유형` 및 `매개변수`. `유형` 주석기 클래스의 이름을 가리킵니다:

```python
from supervision import *
ANNOTATOR_TYPE2CLASS = {
    "bounding_box": BoxAnnotator,
    "box": BoxAnnotator,
    "mask": MaskAnnotator,
    "polygon": PolygonAnnotator,
    "color": ColorAnnotator,
    "halo": HaloAnnotator,
    "ellipse": EllipseAnnotator,
    "box_corner": BoxCornerAnnotator,
    "circle": CircleAnnotator,
    "dot": DotAnnotator,
    "label": LabelAnnotator,
    "blur": BlurAnnotator,
    "trace": TraceAnnotator,
    "heat_map": HeatMapAnnotator,
    "pixelate": PixelateAnnotator,
    "triangle": TriangleAnnotator,
}
```

`매개변수` 은 주석기 생성자 매개변수의 딕셔너리입니다(다음에서 확인하세요: [`supervision`](https://github.com/roboflow/supervision) 문서; YAML 구성에서 생성자에 정의된 클래스와 enum을 해석할 수 없을 수 있으므로 기본형 값만 사용할 수 있습니다).

`트래킹` 는 다음에 대한 생성자 매개변수 딕셔너리를 담는 선택적 키입니다: `ByteTrack`.

### 추론 하이퍼파라미터 제공

해당 `-mc` 매개변수는 다음 경로와 함께 제공할 수 있습니다: `*.yml` 파일로, 모델 구성을 지정합니다(예: 신뢰도 임계값 또는 IoU 임계값). 제공되면 해당 구성은 다음을 초기화하는 데 사용됩니다: `InferenceConfiguration` 객체를 `inference_sdk` 라이브러리에서 초기화합니다. 다음을 참조하세요: [Inference SDK 구성 참조](/reference/ko/inference/inference-sdk/configuration.md) 를 통해 어떤 옵션을 구성할 수 있는지 확인하세요: `*.yml` 파일. 구성 키는 다음의 필드 이름과 일치해야 합니다: `InferenceConfiguration` 객체.