> 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/roboflow/roboflow-ko/datasets/dataset-versions/image-augmentation.md).
# Image Augmentation
이미지 증강은 데이터셋에서 "Train"으로 표시된 기존 이미지에 증강을 적용하는 단계입니다. 이 과정은 모델의 일반화 능력을 향상시켜 보지 못한 이미지에서도 더 효과적으로 성능을 내도록 도울 수 있습니다.
{% hint style="success" %}
증강 없이 프로젝트를 시작하는 것을 권장합니다. 이렇게 하면 원본 데이터셋의 품질을 평가할 수 있습니다. 증강을 추가했는데 데이터셋 성능이 예상만큼 좋지 않다면, 모델 성능을 비교할 기준선이 없게 됩니다.
증강 없이도 모델 성능이 좋지 않다면, 클래스 균형, 데이터 표현, 데이터셋 크기를 점검해야 할 수 있습니다. 증강 없이 모델을 성공적으로 학습한 데이터셋이 있다면, 증강을 추가해 모델 성능 향상을 더 도울 수 있습니다.
{% endhint %}
증강은 몇 가지 핵심 이유로 학습 시점이 아니라 데이터셋 버전("offline augmentation")을 통해 적용됩니다:
1. **모델 재현성이 향상됩니다**. Roboflow를 사용하면 각 이미지가 어떻게 증강되었는지에 대한 사본을 보유하게 됩니다. 예를 들어, 모델이 어두운 이미지보다 밝은 이미지에서 더 잘 작동한다는 것을 발견할 수 있으므로, 저조도 학습 데이터를 더 많이 수집해야 합니다.
2. **학습 시간이 줄어듭니다**. 증강은 CPU에 제약을 받는 작업입니다. GPU에서 학습하면서 실시간으로 증강을 수행하면, 각 에폭마다 GPU가 CPU가 증강된 데이터를 제공하기를 기다리는 경우가 많습니다. 이 시간이 쌓이면 꽤 큽니다!
3. **학습 비용이 줄어듭니다**. 증강은 CPU에 제약을 받는 작업이므로, 비용이 많이 드는 임대 GPU가 학습용 이미지를 공급받기만 기다리는 경우가 많습니다.
## 증강이 적용되는 방식
증강은 항상 다음 이후에 학습 이미지에 적용됩니다 [전처리 단계](/roboflow/roboflow-ko/datasets/dataset-versions/image-preprocessing.md). 선택한 증강은 함께 쌓여 적용되며, 증강 설정과 각 설정의 값은 무작위화되어 각 증강 이미지에 적용됩니다. 이 과정에서 중복으로 나타나는 이미지는 생성된 버전에서 제외됩니다.
예를 들어, "수평 뒤집기"와 "소금과 후추 노이즈" 증강을 선택하면, 해당 이미지는 무작위로 수평으로 반전되고 임의의 소금과 후추 노이즈가 추가됩니다.
### 증강 제한
증강이 포함된 데이터셋 버전을 만들 때 "Maximum Version Size" 옵션을 통해 포함할 최대 증강 이미지 수를 선택할 수 있습니다.
예를 들어 3x를 선택하면 최종 데이터셋 버전에는 각 학습 원본 이미지에 [전처리 단계](/roboflow/roboflow-ko/datasets/dataset-versions/image-preprocessing.md) 적용되고, 선택한 설정에 따라 각 이미지에 2개의 무작위 증강이 적용됩니다.
데이터셋에 100개의 이미지가 있고 train/valid/test 분할이 70/20/10이며 3x 증강을 선택했다면, 최종 데이터셋은 대략 210/20/10 분할이 됩니다.
{% hint style="info" %}
버전의 최종 이미지 수는 이미지 중복 제거를 수행하고 일부 옵션(예: "Filter Null")이 출력에서 이미지를 제거할 수 있기 때문에 이 추정치보다 적을 수 있습니다.
{% endhint %}
## 증강 옵션
Roboflow의 증강은 "Basic" 또는 "Enhanced"일 수 있으며, 두 가지 서로 다른 수준에서 적용할 수 있습니다.
### 이미지 수준 증강
이미지 수준 증강은 개별 객체나 영역이 아니라 전체 이미지에 변환을 적용하여 새로운 학습 데이터를 만듭니다. 전체 이미지를 수정함으로써 개발자는 더 넓은 범위의 시각적 조건을 시뮬레이션할 수 있으며, 모델이 새 데이터에 더 잘 일반화하도록 도울 수 있습니다.
### 바운딩 박스 수준 증강
바운딩 박스 수준 증강은 원본 이미지의 바운딩 박스 내용만 변경하여 새로운 학습 데이터를 만듭니다. 이를 통해 개발자는 문제 조건에 더 적합한 학습 데이터를 만드는 데 대해 더 큰 제어권을 갖게 됩니다.
A [2019년 논문](https://arxiv.org/pdf/1906.11172.pdf) 은 Google 연구진의 논문으로, 모델에 최적의 데이터를 만들기 위해 바운딩 박스만 사용하는 증강 아이디어를 소개합니다. 이 논문에서 연구진은 바운딩 박스만 수정해도 체계적인 개선이 이루어지며, 특히 소규모 데이터셋으로 학습된 모델에서 그러하다는 것을 보여주었습니다.
{% hint style="info" %}
Enhanced Augmentations와 Bounding Box Augmentations는 **프리미엄** 기능입니다.
플랜 및 관련 기능에 대한 최신 정보는 저희의 [pricing page를 참조하세요](https://roboflow.com/pricing).
{% endhint %}
## Learn More
* [데이터 증강을 위한 궁극의 가이드](https://blog.roboflow.com/data-augmentation/)
* [객체 감지를 위한 이미지 증강 방법](https://blog.roboflow.com/object-detection-augmentation/)
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://docs.roboflow.com/roboflow/roboflow-ko/datasets/dataset-versions/image-augmentation.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.