> 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/deploy/upload-custom-weights.md).

# 사용자 지정 Model Weights 업로드

관련 페이지:

* Roboflow에서 모델을 학습하려면 다음을 참조하세요 [모델 학습](/roboflow/roboflow-ko/train/train.md)
* 모델 가중치를 다운로드하려면 다음을 참조하세요 [Model Weights 다운로드](/roboflow/roboflow-ko/deploy/download-roboflow-model-weights.md)

## Roboflow 외부에서 학습한 가중치 업로드

커스텀 모델 학습을 완료한 후, 다음의 이점을 활용하려면 모델 가중치를 다시 Roboflow project에 업로드하세요 [Roboflow Inference](https://inference.roboflow.com/).

### 모델 지원

다음을 참조하세요 [Supported Models 표](/roboflow/roboflow-ko/deploy/supported-models.md) 가중치 업로드 호환성에 대한 자세한 내용은

{% hint style="warning" %}

* YOLOv8 모델은 다음에서 학습해야 합니다 `ultralytics==8.0.196`
* YOLOv9 모델은 다음을 사용하여 학습 및 업로드해야 합니다 `ultralytics` 다음 저장소에서 <https://github.com/WongKinYiu/yolov9>
* YOLOv10 모델은 다음을 사용하여 학습 및 업로드해야 합니다 `ultralytics` 다음 저장소에서

  <https://github.com/THU-MIG/yolov10>
* YOLOv11 모델은 다음에서 학습해야 합니다 `ultralytics<=8.3.40`
* YOLOv12 모델은 다음을 사용하여 학습 및 업로드해야 합니다 `ultralytics` 다음 저장소에서 <https://github.com/sunsmarterjie/yolov12>
  {% endhint %}

{% hint style="info" %}
더 큰 모델 크기는 더 나은 학습 결과를 제공합니다. 그러나 모델 크기가 커질수록 학습 시간과 추론(모델 예측) 속도는 느려집니다. 빠르게 움직이는 객체나 비디오 피드에 대한 실시간 추론이 필요한지(더 작은 모델을 사용하는 것이 더 좋음), 아니면 데이터 수집 후에 데이터를 처리하며 더 높은 예측 정확도가 중요한지(더 큰 모델을 선택) 고려하세요.
{% endhint %}

### 버전이 있는 모델 vs. 버전이 없는 모델 업로드

Roboflow는 project에 모델을 배포하기 위한 두 가지 서로 다른 방식을 제공합니다. 각각은 서로 다른 사용 사례와 조직의 요구를 충족합니다. 버전이 있는 배포와 버전이 없는 배포 중 무엇을 선택할지는 데이터셋 버전과 함께 모델의 변화를 추적해야 하는지, 아니면 workspace의 여러 project에서 모델을 공유하고 싶은지에 따라 달라집니다.

* **버전 없는 배포**
  * workspace 수준에 연결됨
  * 여러 project에 동시에 배포할 수 있음
  * 같은 workspace 내의 여러 project 간에 모델을 공유하기에 적합
* **버전 있는 배포**
  * 특정 project Version에 연결됨
  * A [Version](/roboflow/roboflow-ko/train/versions-trainings-and-models.md) 에는 여러 업로드된 모델을 둘 수 있음
  * 데이터셋 Version과 함께 모델의 변화를 추적하기에 적합
  * Label Assist에서 모델을 사용하기에 적합
  * 다른 모델 학습을 위한 체크포인트로 모델을 사용하기에 적합

### 커스텀 가중치 업로드

먼저 최신 `roboflow` Python 패키지가 설치되어 있는지 확인하세요:

```bash
pip install --update roboflow
```

{% tabs %}
{% tab title="Python SDK (버전 없음)" %}
버전 없는 커스텀 가중치를 업로드하려면 다음을 사용하세요 `workspace.deploy_model()` 메서드:

```python
workspace.deploy_model(
    model_type="yolov8",  # 모델 유형
    model_path="path/to/model",  # 모델 디렉터리 경로
    project_ids=["project1", "project2"],  # project ID 목록
    model_name="my-model",  # 모델 이름(최소 1개의 문자를 포함해야 하며, 숫자와 대시를 사용할 수 있음)
    filename="weights/best.pt"  # 가중치 파일 경로(기본값)
)
```

**매개변수**

* model\_type (str): 배포할 모델 유형(예: "yolov8", "yolov11")
* model\_path (str): 모델 가중치가 포함된 디렉터리의 파일 경로
* project\_ids (list\[str]): 모델을 배포할 project ID 목록
* model\_name (str): 모델을 식별하는 이름 - (최소 1개의 문자를 포함해야 하며, 숫자와 대시를 사용할 수 있음)
* filename (str, optional): 가중치 파일 이름(기본값은 "weights/best.pt")

**예시**

```python
from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_API_KEY")
workspace = rf.workspace("YOUR_WORKSPACE")

workspace.deploy_model(
  model_type="yolov8",
  model_path="./runs/train/weights",
  project_ids=["project-1", "project-2", "project-3"],
  model_name="my-custom-model"
)
```

{% endtab %}

{% tab title="Python SDK (버전 있음)" %}
{% hint style="info" %}
버전이 있는 커스텀 가중치 업로드는 업로드된 각 모델을 데이터셋 Version에 연결합니다. 데이터셋에 생성된 Version이 없다면, 다음에서 만들 수 있습니다 [앱 내에서](/roboflow/roboflow-ko/datasets/dataset-versions/create-a-dataset-version.md) 또는 다음을 통해 [API](/developer/python-sdk/create-a-dataset-version.md).

다음 문서를 참조하세요 [API를 통해 Version을 불러오는 방법](/developer/rest-api/versions/view-a-version.md) 또는 아래 예제를 참고하세요.
{% endhint %}

커스텀 가중치를 업로드하려면 다음을 사용하세요 `version.deploy()` Python SDK의 메서드입니다.

**Usage**

```python
version.deploy(
    model_type="yolov8",  # 모델 유형
    model_path="path/to/model",  # 모델 디렉터리 경로
    filename="weights/best.pt"  # 가중치 파일 경로(기본값)
)
```

**매개변수**

* model\_type (str): 배포할 모델 유형(예: "yolov8", "yolov11")
* model\_path (str): 모델 가중치가 포함된 디렉터리의 파일 경로
* filename (str, optional): 가중치 파일 이름(기본값은 "weights/best.pt")

**예시**

```python
from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_API_KEY")
project = rf.workspace().project("PROJECT_ID")

# weights_filename을 지정할 수 있으며, 기본값은 "weights/best.pt"입니다
version = project.version(VERSION_ID)

#예시 1 - yolov8 모델의 디렉터리 경로는 "training1/model1.pt"입니다
version.deploy("yolov8", "training1", "model1.pt")

#예시 2 - yolov8 모델의 디렉터리 경로는 "training1/weights/best.pt"입니다
version.deploy("yolov8", "training1")
```

**중요 참고 사항**

{% hint style="info" %}
하나의 Version에는 여러 업로드된 모델을 둘 수 있습니다. 다음을 참조하세요 [Versions, Trainings, and Models](/roboflow/roboflow-ko/train/versions-trainings-and-models.md) Version 내 모델이 어떻게 참조되는지에 대한 내용은
{% endhint %}
{% endtab %}

{% tab title="CLI (버전 없음 및 버전 있음)" %}
**인증**

CLI 명령을 사용하기 전에 Roboflow로 인증해야 합니다:

1. 인증 명령을 실행하세요: `roboflow login`
2. 터미널에 표시된 URL을 방문하세요: <https://app.roboflow.com/auth-cli>
3. 웹사이트에서 인증 토큰을 받으세요
4. 토큰을 터미널에 붙여넣으세요

자격 증명은 자동으로 다음 위치에 저장됩니다 `~/.config/roboflow/config.json`

**모델 가중치 업로드**

Roboflow CLI는 학습된 모델 가중치를 Roboflow project에 업로드하는 명령을 제공합니다. 이는 커스텀 학습 모델을 Roboflow에 배포할 때 유용합니다.

**기본 사용법**

{% code overflow="wrap" %}

```bash
roboflow upload_model -w <workspace> -p <project> -t <model_type> -m <model_path> [-v <version>] [-f <filename>] [-n <model_name>]
```

{% endcode %}

**매개변수**

* `-w, --workspace`: workspace ID 또는 URL입니다(선택 사항 - 지정하지 않으면 기본 workspace를 사용합니다)
* `-p, --project`: 모델을 업로드할 project ID입니다(버전 없는 업로드의 경우 여러 project에 대해 여러 번 지정할 수 있음)
* `-t, --model_type`: 모델 유형입니다(예: yolov8, paligemma2)
* `-m, --model_path`: 학습된 모델 파일이 포함된 디렉터리 경로
* `-v, --version_number`: 모델을 업로드할 Version 번호입니다(선택 사항)
* `-f, --filename`: 모델 파일 이름입니다(기본값: "weights/best.pt")
* `-n, --model_name`: 모델 이름입니다(버전 없는 모델 배포에 필요)

**예시**

<pre class="language-bash" data-overflow="wrap"><code class="lang-bash"># 1. 모델을 특정 Version에 업로드: 
<strong>roboflow upload_model -w my-workspace -p my-project -v 1 -t yolov8 -m ./weights
</strong>
# 2. 버전 없는 모델을 여러 project에 업로드:
roboflow upload_model -w my-workspace -p project1 -p project2 -t yolov11 -n my-model-v1 -m ./weights
# 3. 버전 없는 RF-DETR medium 모델을 단일 project에 업로드: 
roboflow upload_model -w my-workspace -p my-project -t rfdetr-medium -n my-model-name -m ./ -f weights.pt
</code></pre>

{% endtab %}
{% endtabs %}

## 다음 단계

1. Roboflow의 "Models" 탭에서 모델을 확인하세요
2. 다음을 사용하여 로컬에서 모델을 실행하세요 [Roboflow Inference Server](https://inference.roboflow.com/).
3. [모델을 배포하세요](/roboflow/roboflow-ko/deploy/deployment-overview.md)