Model 학습

Roboflow 대시보드에서 최신 기술을 사용하여 model을 학습합니다.

Roboflow 인터페이스에서 컴퓨터 비전 모델을 학습할 수 있습니다.

Roboflow는 두 가지 학습 옵션을 제공합니다:

• Roboflow Custom Train: 프로덕션에 바로 사용할 수 있는 모델을 만드는 데 이상적인, 우리의 대표 학습 서비스입니다.

• 신경망 아키텍처 검색: 새로운 모델 아키텍처를 발견하고 동시에 미세 조정합니다.

또한, 첫 번째 이미지 주석 배치를 승인하면, 하나의 Roboflow Instant Model 이 자동으로 학습됩니다. 이 모델들은 즉시 자동 라벨링이나 배포에 사용할 수 있습니다.

Roboflow에서 학습한 모델은 Inference, 즉 온디바이스 추론 서버를 사용하거나, 또는 Serverless Hosted API와 Workflows, Workflows를 사용한 Batch Processing, 혹은 모델 API 엔드포인트를 통해 클라우드에 배포할 수 있습니다.

다음 내용을 읽어 라이선스 가이드 Roboflow에서 학습한 모델의 라이선스 방식에 대해 자세히 알아보세요.

모델 학습

컴퓨터 비전 모델을 학습하려면 프로젝트 탐색에서 "Train"으로 이동하세요.

학습 작업 구성을 시작하려면 "Custom Training" 버튼을 클릭하세요:

신경망 아키텍처 검색 (NAS)

객체 탐지 및 인스턴스 세분화 프로젝트의 경우, 신경망 아키텍처 검색 (NAS) 를 단일 모델 아키텍처를 선택하는 대신 사용할 수 있습니다. NAS는 여러 모델 구성을 자동으로 학습하고 평가한 다음, 정확도 및 지연 시간 요구 사항을 기준으로 가장 적합한 모델을 추천합니다.

NAS를 사용하려면 학습 엔진을 선택할 때 NAS 옵션을 선택하세요. NAS에는 최소 15개의 검증 이미지가 필요합니다.

NAS 학습 차트에 대한 자세한 내용은 학습 결과 보기.

모델 아키텍처 선택

다음으로, 모델 아키텍처와 크기를 선택해야 합니다. 이는 모델을 학습하는 데 사용되는 머신러닝 기술입니다.

학습할 수 있는 모델 아키텍처는 설정한 프로젝트 유형에 따라 다릅니다. Supported Models 표 를 참조하여 학습 호환성에 대한 자세한 내용을 확인하세요.

객체 탐지의 경우 RF-DETR이 최고의 정확도를 제공합니다. 인스턴스 세분화의 경우 RF-DETR Seg (Preview)가 최고의 정확도를 제공합니다. 키포인트 탐지의 경우 RF-DETR Keypoint (Preview)도 사용할 수 있습니다.

모델 크기는 선택한 모델 아키텍처에 따라 달라집니다. 예를 들어, 최첨단 객체 탐지 모델인 RF-DETR은 Nano, Small, Medium, Base를 제공합니다. Medium, Large, Extra Large는 유료 사용자만 사용할 수 있습니다. 모델을 학습하는 SAM3 모델은 다음이 포함된 유료 플랜에서 사용할 수 있습니다 사용량 기반 청구.

프로젝트 유형에 사용할 수 있는 아키텍처를 선택한 다음 "Continue"를 클릭하세요:

체크포인트 선택

학습 옵션을 선택한 후, 체크포인트에서 학습할지 묻는 메시지가 표시됩니다. 아래 탭에는 각 모델 유형별 구성 옵션이 표시됩니다.

객체 탐지

세 가지 옵션이 있습니다:

• 이전 체크포인트에서 학습: 이미 작동하는 모델이 있고 이를 개선하고 싶을 때 이상적입니다.

• 공개 체크포인트에서 학습: 첫 번째 모델이거나 이전 학습 실행이 기대한 결과를 얻지 못했을 때 이상적입니다.

• 무작위 초기화에서 학습: 고급 사용자 전용이며, 이 옵션은 학습을 시작할 수 있는 빈 상태를 제공합니다. 대부분의 사용자는 이 옵션을 사용할 때 더 나쁜 결과를 얻습니다.

분류/시맨틱 세분화

어떤 학습 옵션을 선택해야 하나요?

새로운 객체 탐지 프로젝트에는 공개 체크포인트에서 학습하는 것을 권장합니다. 기본적으로 Microsoft COCO 데이터셋으로 학습된 모델에서 학습하는 옵션을 제공합니다. 분류 및 시맨틱 세분화의 경우, ImageNet에서만 학습을 지원합니다.

Universe에 호스팅된 프로젝트를 기반으로 한 체크포인트에서 학습할 수 있습니다(객체 탐지 전용). 그렇게 하려면 먼저 Universe에서 프로젝트에 star를 표시한 다음. 그러면 해당 프로젝트가 Roboflow 웹 애플리케이션에서 학습 체크포인트로 사용 가능해집니다.

또한, 이전 모델 버전을 기반으로 한 체크포인트에서 학습할 수 있습니다(객체 탐지, 인스턴스 세분화, 키포인트 탐지 전용). 이 방법을 사용하면 더 빠른 학습이 가능합니다. 이 방식은 모델의 성능이 충분히 우수한 경우에만 이전 체크포인트에서 학습하는 것을 권장합니다).

체크포인트에서 학습한다는 것은 Transfer Learning을 사용한다는 의미입니다. Transfer Learning은 선택한 모델을 기반으로 학습을 시작합니다. 이는 학습 시간을 줄이고 학습 점수를 향상시키는 데 도움이 될 수 있습니다.

처음부터 학습한다는 것은 Transfer Learning을 사용하지 않는다는 의미입니다. 이 경우 모델 가중치의 초기값이 무작위로 설정된 상태에서 학습이 시작됩니다.

학습 작업 시작

학습할 체크포인트를 선택한 후 Start Training을 클릭하세요.

그러면 데이터셋이 압축되어 Roboflow 클라우드에서 학습할 수 있도록 준비됩니다.

학습이 시작되기 전에 학습 요약에 예상 소요 시간과 크레딧 비용이 표시됩니다:

데이터셋이 클수록, 그리고 데이터셋 내 이미지가 클수록 모델 학습에 더 오래 걸립니다.

학습 프로세스가 끝나면 이메일을 받게 됩니다. 대부분의 경우 24시간 이내입니다.

Pricing

Roboflow에서의 학습 비용은 학습 작업의 길이에 따라 책정됩니다. 자세한 내용은 크레딧 페이지.

를 확인할 수 있습니다. 추가 크레딧을 신청할 수 있습니다.

한 버전에서 여러 모델 학습

같은 데이터셋 버전에서 하나 이상의 모델을 학습하여 동일한 데이터를 기준으로 아키텍처나 크기를 비교할 수 있습니다. 각 학습은 독립적으로 실행되고 평가되며, 버전 페이지에는 모든 학습이 표시되어 서로 전환할 수 있습니다.