모델 학습하기

Roboflow 대시보드에서 최신 기술을 사용해 모델을 훈련하세요.

Roboflow 인터페이스에서 컴퓨터 비전 모델을 학습할 수 있습니다.

Roboflow는 두 가지 학습 옵션을 제공합니다:

Roboflow Train: 프로덕션 준비 모델 생성에 적합한 당사의 대표 학습 서비스입니다.
Roboflow Instant: 테스트에 적합한 모델을 몇 분 안에 학습합니다.

이미지 주석 배치를 승인하면 Instant 모델이 자동으로 학습됩니다. 이러한 모델은 즉시 사용할 수 있습니다.

Roboflow에서 학습한 모델은 Inference(온디바이스 추론 서버)로 배포하거나 Workflows를 사용한 Serverless Hosted API, Workflows를 통한 Batch Processing, 또는 모델 API 엔드포인트를 통해 클라우드에 배포할 수 있습니다.

자세한 내용은 라이선스 안내 를 읽어 Roboflow에서 학습된 모델의 라이선스 방식에 대해 알아보세요.

모델 학습하기

컴퓨터 비전 모델을 학습하려면 먼저 데이터셋 버전을 생성하세요.

"Custom Train" 버튼을 클릭하여 학습 작업 구성을 시작하세요:

모델 아키텍처 선택

다음으로 모델 아키텍처를 선택해야 합니다. 이는 모델 학습에 사용되는 머신러닝 기술입니다.

학습할 수 있는 모델 아키텍처는 설정한 프로젝트 유형에 따라 다릅니다:

Object Detection: RF-DETR, Roboflow 3.0, YOLOv11, YOLOv12, 및 YOLO-NAS 모델을 학습할 수 있습니다.
Classification: ViT 및 ResNet.
Instance Segmentation: RF-DETR Seg (Preview), Roboflow 3.0 및 YOLO11.
Keypoint Detection: Roboflow 3.0 및 YOLO11.
Multimodal: Florence 2, PaliGemma 2, 및 Qwen-2.5 VL.

객체 탐지의 경우 RF-DETR이 최고의 정확도를 제공합니다. 인스턴스 세그멘테이션에서는 RF-DETR Seg (Preview)가 최고의 정확도를 제공합니다.

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

모델 크기 선택

다음으로 모델의 크기를 설정해야 합니다.

모델 크기는 선택한 아키텍처에 따라 달라집니다. 예를 들어 RF-DETR — 최첨단 객체 탐지 모델 — 은 Nano, Small, Medium 및 Base를 제공합니다:

Roboflow 3.0의 경우 Fast와 Accurate 학습 옵션은 모든 사용자에게 제공됩니다. Medium, Large 및 Extra Large는 유료 사용자에게만 제공됩니다.

체크포인트 선택

학습 옵션을 선택한 후에는 체크포인트에서 학습할지 여부를 묻습니다. 아래 탭은 각 모델 유형에 대한 구성 옵션을 보여줍니다.

세 가지 옵션이 있습니다:

Train from a Previous Checkpoint: 이미 작동하는 모델이 있어서 개선하고자 할 때 이상적입니다.
Train from Public Checkpoint: 첫 모델 버전이거나 이전 학습 실행이 예상한 결과를 얻지 못했을 때 이상적입니다.
Train from Random Initialization: 고급 사용자 전용인 이 옵션은 학습을 시작할 수 있는 백지 상태를 제공합니다. 대부분의 사용자는 이 옵션을 사용할 때 성능이 더 좋지 않습니다.

학습 옵션은 어떻게 선택하나요?

새로운 객체 탐지 프로젝트의 경우 Public Checkpoint에서 학습하는 것을 권장합니다. 기본적으로 Microsoft COCO 데이터셋으로 학습된 모델에서 학습을 제공합니다. 분류 및 시맨틱 세그멘테이션의 경우 ImageNet에서 학습하는 것만 지원합니다.

Universe에 호스팅된 프로젝트를 기반으로 하는 체크포인트에서 학습할 수 있습니다(객체 탐지에만 해당). 그렇게 하려면 먼저 Universe에서 프로젝트에 별표 표시하세요 . 그러면 해당 프로젝트가 Roboflow 웹 애플리케이션에서 학습 체크포인트로 사용 가능해집니다.

또한 이전 버전의 모델을 기반으로 한 체크포인트에서 학습할 수 있습니다(객체 탐지, 인스턴스 세그멘테이션 및 키포인트 탐지에만 해당). 이 방법은 학습 과정을 더 빠르게 합니다. 모델이 강력한 성능을 보이는 경우에만 이전 체크포인트에서 학습하는 것을 권장합니다).

체크포인트에서 학습한다는 것은 전이 학습(Transfer Learning)을 활용하고 있다는 의미입니다. 전이 학습은 선택한 모델에서 학습을 초기화합니다. 이는 학습 시간을 단축하고 향상된 학습 점수를 제공하는 데 도움이 될 수 있습니다.

처음부터 학습(Training from Scratch)은 전이 학습을 활용하지 않는