# 모델 학습
Roboflow 인터페이스에서 컴퓨터 비전 모델을 학습할 수 있습니다.
Roboflow는 두 가지 학습 옵션을 제공합니다:
* Roboflow Train: 생산 준비가 된 모델을 만드는 데 적합한 당사의 대표 학습 서비스입니다.
* [Roboflow Instant](https://docs.roboflow.com/train/automatic-model-training-with-roboflow-instant): 테스트에 적합한 모델을 몇 분 만에 학습합니다.
이미지 주석 배치를 승인하면 Instant 모델이 자동으로 학습됩니다. 이러한 모델은 즉시 사용할 수 있습니다.
Roboflow에서 학습된 모델은 Inference(온디바이스 추론 서버)로 배포하거나, Workflows를 사용한 Serverless Hosted API, Workflows를 통한 Batch Processing 또는 귀하의 모델 API 엔드포인트를 통해 클라우드에서 배포할 수 있습니다.
{% hint style="info" %}
자세한 내용은 [라이선스 안내](https://roboflow.com/licensing) 를 읽어 Roboflow에서 학습된 모델의 라이선스 방식에 대해 알아보세요.
{% endhint %}
### 모델 학습
컴퓨터 비전 모델을 학습하려면 먼저 [데이터셋 버전 생성](https://docs.roboflow.com/roboflow/roboflow-ko/datasets/dataset-versions/create-a-dataset-version).
"Custom Train" 버튼을 클릭하여 학습 작업 구성을 시작하십시오:
#### 모델 아키텍처 선택
다음으로 모델 아키텍처를 선택해야 합니다. 이는 모델을 학습하는 데 사용되는 머신러닝 기술입니다.
학습할 수 있는 모델 아키텍처는 설정한 프로젝트 유형에 따라 다릅니다. 자세한 학습 호환성은 [지원되는 모델 표](https://docs.roboflow.com/roboflow/roboflow-ko/deploy/supported-models) 를 참조하십시오.
객체 검출의 경우 RF-DETR이 최고의 정확도를 제공합니다. 인스턴스 분할의 경우 RF-DETR Seg(미리보기)가 최고의 정확도를 제공합니다.
프로젝트 유형에서 사용할 수 있는 아키텍처를 선택한 다음 "Continue"를 클릭하십시오:
#### 모델 크기 선택
다음으로 모델의 크기를 설정해야 합니다.
모델 크기는 선택한 아키텍처에 따라 달라집니다. 예를 들어 RF-DETR — 최첨단 객체 검출 모델 — 은 Nano, Small, Medium 및 Base를 제공합니다:
Roboflow 3.0의 경우 Fast 및 Accurate 학습 옵션은 모든 사용자에게 제공됩니다. Medium, Large 및 Extra Large는 유료 사용자에게만 제공됩니다.
#### 체크포인트 선택
학습 옵션을 선택한 후 체크포인트에서 학습할지 여부를 묻습니다. 아래 탭은 각 모델 유형에 대한 구성 옵션을 보여줍니다.
{% tabs %}
{% tab title="객체 검출" %}
세 가지 옵션이 있습니다:
* 이전 체크포인트에서 학습**:** 이미 작동하는 모델이 있어 이를 개선하려는 경우에 이상적입니다.
* **공개 체크포인트에서 학습**: 첫 모델 버전이거나 이전 학습 실행이 예상한 결과를 얻지 못했을 때에 이상적입니다.
* **무작위 초기화에서 학습**: **고급 사용자 전용**이 옵션은 학습을 위한 백지 상태를 제공합니다. 대부분의 사용자는 이 옵션을 사용할 때 성능이 더 나빠지는 것을 관찰합니다.
{% endtab %}
{% tab title="분류/시맨틱 세그멘테이션" %}
분류 및 시맨틱 세그멘테이션 모델의 경우 하나의 체크포인트만 제공됩니다.
{% endtab %}
{% endtabs %}
학습 옵션은 어떻게 선택하나요?
새로운 객체 검출 프로젝트에 대해서는 공개 체크포인트에서 학습하는 것을 권장합니다. 기본적으로 Microsoft COCO 데이터셋으로 학습된 모델에서의 학습을 제공합니다. 분류 및 시맨틱 세그멘테이션의 경우 ImageNet에서의 학습만 지원합니다.
Universe에 호스팅된 프로젝트를 기반으로 한 체크포인트에서 학습할 수 있습니다(객체 검출만). 그렇게 하려면 먼저 [Universe에서 프로젝트에 별표 표시](https://blog.roboflow.com/launch-universe-model-checkpoint/)하십시오. 그러면 해당 프로젝트가 Roboflow 웹 애플리케이션에서 학습 체크포인트로 사용 가능해집니다.
또한 이전 모델 버전을 기반으로 한 체크포인트에서 학습할 수 있습니다(객체 검출, 인스턴스 분할 및 키포인트 검출만). 이 방법은 더 빠른 학습 프로세스를 가능하게 합니다. 모델이 강한 성능을 보일 때에만 이전 체크포인트에서 학습하는 것을 권장합니다.
체크포인트에서 학습한다는 것은 [전이 학습(Transfer Learning)](https://blog.roboflow.com/what-is-transfer-learning/)을 사용하고 있음을 의미합니다. 전이 학습은 선택한 모델에서 학습을 초기화합니다. 이는 학습 시간을 단축하고 향상된 학습 점수를 제공하는 데 도움이 될 수 있습니다.
처음부터 학습한다는 것은 *전이 학습을* 사용하지 않는다는 뜻입니다. 이는 모델 가중치에 대해 무작위 초기값으로 학습을 시작합니다.
#### 학습 작업 시작
학습할 체크포인트를 선택했으면 Start Training을 클릭하십시오.
그런 다음 데이터셋이 압축(zip)되어 Roboflow 클라우드에서 학습 준비가 됩니다.
데이터셋이 준비되면 학습에 걸리는 시간을 보여주는 추정치를 받게 됩니다:
데이터셋이 클수록, 그리고 데이터셋의 이미지가 클수록 모델 학습에 더 오랜 시간이 걸립니다.
학습 프로세스가 완료되면 이메일로 알려드립니다. 대부분의 경우 24시간 이내여야 합니다.
#### 요금
Roboflow에서의 학습은 학습 작업의 길이에 따라 요금이 부과됩니다. 자세한 내용은 [크레딧 페이지](https://www.roboflow.com/credits).
를 참조하십시오. 학생이나 연구원이고 진행 중인 프로젝트에 대해 크레딧이 필요하면, [추가 크레딧을 신청할 수 있습니다.](https://roboflow.com/contribute).
