> 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/workflows/ko/build/build-a-workflow.md).

# 워크플로 만들기

에디터에서 Builder Assist 모드와 자동 레이아웃을 사용해 블록을 추가하고 연결하여 워크플로를 만듭니다.

워크플로는 블록으로 구성되며, 각 블록은 모델 추론 실행, 로직 수행, 외부 서비스 연동과 같은 특정 작업을 수행합니다.

사용 가능한 블록 목록을 자세히 알아보려면 [블록 문서](https://docs.roboflow.com/workflows/ko/blocks/blocks.md).

### 개요

이 가이드에서는 객체 감지 모델을 실행하고, 예측 결과를 세고, 모델 결과를 시각화하는 4개 블록 워크플로를 만드는 방법을 살펴봅니다. 다음 [최종 워크플로 템플릿](https://app.roboflow.com/workflows/embed/eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ3b3JrZmxvd0lkIjoiMmdqakJxMDV3Q01ac1hHM3hkeFAiLCJ3b3Jrc3BhY2VJZCI6ImtyT1RBYm5jRmhvUU1DZExPbGU0IiwidXNlcklkIjoiSW1GTElaU2tHYk55OXpiNFV1cWxNelBScHBRMiIsImlhdCI6MTczODE4ODk5MH0.f72WI5bdjtnwC8iqXF_XiUVarfOktIAH1egpsI0Oh4Q) 을 따라 진행해 보세요.

{% embed url="<https://app.roboflow.com/workflows/embed/eyJhbGciOiJIUzI1NiIsInR5cCI6IkpXVCJ9.eyJ3b3JrZmxvd0lkIjoiMmdqakJxMDV3Q01ac1hHM3hkeFAiLCJ3b3Jrc3BhY2VJZCI6ImtyT1RBYm5jRmhvUU1DZExPbGU0IiwidXNlcklkIjoiSW1GTElaU2tHYk55OXpiNFV1cWxNelBScHBRMiIsImlhdCI6MTczODE4ODk5MH0.f72WI5bdjtnwC8iqXF_XiUVarfOktIAH1egpsI0Oh4Q>" fullWidth="false" %}

<figure><img src="https://3843302164-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-3320b2627ac743a17afb97f63c70993b4cbe3b51%2FCleanShot%202025-01-29%20at%2015.25.03%402x.png?alt=media" alt="" width="563"><figcaption><p>감지, 집계 및 시각화 워크플로</p></figcaption></figure>

### 블록 연결

만들기를 시작하기 전에 블록 연결 방식부터 알아보겠습니다.

블록을 특정 위치에 추가하려면 이전 블록을 입력으로 사용해야 합니다. 예를 들어 위에 표시된 워크플로에서 *속성 정의* 블록은 *객체 감지* 블록의 출력을 입력으로 사용하므로 그 뒤에 배치됩니다. *경계 상자 시각화* 블록은 오른쪽에 있습니다. 이 블록은 *속성 정의* 블록의 출력을 사용하지 않지만 모델 출력을 참조하기 때문입니다.

<figure><img src="https://3843302164-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-79fa8c10219b4a7e8e0696acceae5e297f05f70f%2FCleanShot%202025-01-29%20at%2016.31.28%402x.png?alt=media" alt=""><figcaption><p>모델 비교 워크플로</p></figcaption></figure>

위의 예시 워크플로에는 서로 독립적인 경로가 네 개 있습니다. 각 분기는 실행 시 병렬로 처리되며, 다른 분기의 블록을 입력으로 사용하지 않습니다.

### 빌더 지원

빌더 지원은 워크플로 편집기가 블록을 연결하고 삽입할 때 제공하는 도움의 수준을 제어합니다. 오른쪽 상단 탐색 모음의 전환 버튼으로 모드를 변경할 수 있습니다.

모드는 세 가지입니다.

* **자동** (기본값): 블록을 연결하거나 삽입할 때 호환되는 입력 및 출력 필드를 자동으로 연결합니다. 또한 블록을 제거하거나 연결을 끊으면 빌더가 이후 단계의 참조를 수정합니다.
* **빠른**: 연결 제안과 블록 추천을 표시하지만, 명시적으로 수락한 경우에만 적용합니다. 빌더가 대신 변경하지 않고 안내만 받으려는 경우에 유용합니다.
* **수동**: 제안이나 자동 연결이 없습니다. 모든 연결을 직접 제어합니다.

선택한 모드는 로컬에 저장되므로 세션이 바뀌어도 유지됩니다.

### 블록 배치

워크플로 편집기에서 블록을 자동으로 배치할 수 있습니다. 자동 레이아웃 버튼(편집기 도구 모음의 사이트맵 아이콘)을 클릭하면 현재 블록을 정렬하고 화면에 맞춥니다.

버튼 옆의 꺾쇠를 클릭하면 다음 두 옵션이 있는 메뉴가 열립니다.

* "지금 정렬": 버튼을 클릭한 것과 동일하게 레이아웃을 한 번 실행합니다.
* "자동 정렬": 켜져 있으면 블록을 추가하거나 연결을 변경할 때마다 편집기가 블록을 다시 정렬합니다. 블록을 드래그하면 이 모드가 일시 중지되어 직접 배치한 레이아웃이 유지됩니다.

선택한 설정은 워크플로별로 로컬에 저장됩니다.

### 워크플로 만들기

#### 객체 감지 모델

먼저 *객체 감지 모델* 블록을 추가합니다. COCO로 학습된 YOLOv8n 같은 공개 사전 학습 모델 [COCO](https://universe.roboflow.com/microsoft/coco)이나 작업 공간의 미세 조정 모델 중에서 선택할 수 있습니다. 여기서는 사람과 차량을 감지하도록 사전 학습된 *yolov8n* 모델을 사용하겠습니다.

<figure><img src="https://3843302164-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-bc18512f57a057976473b7d03cc7ee3a884e67e3%2FCleanShot%202025-01-29%20at%2015.30.31%402x.png?alt=media" alt="" width="344"><figcaption></figcaption></figure>

객체 감지 블록에는 모델이 추론할 대상을 지정하는 필수 이미지 매개변수가 있습니다. 선택적 매개변수도 여러 가지 있으며, 주요 매개변수는 아래에 자세히 설명되어 있습니다.

* 클래스 필터: 모델이 반환할 클래스 목록입니다. 참고: 모델은 학습된 클래스만 반환하며, 이 필터를 사용하면 필요하지 않은 클래스를 제외할 수 있습니다.
* 신뢰도: 신뢰도가 이 값보다 낮은 객체는 반환되지 않습니다.
* IoU 임계값: 임계값을 높이면 서로 겹치는 예측 결과가 더 많이 반환됩니다. 0.9는 겹치는 비율이 90% 이하인 객체를 반환하고, 0.1은 겹치는 비율이 10%를 초과하는 객체를 제외한다는 뜻입니다.
* 최대 감지 수: 모델이 반환할 객체의 최대 개수입니다.
* 클래스 비종속 NMS: 겹침 필터링 시 같은 클래스의 객체만 비교하고 제외할지, 모든 클래스의 객체를 비교하고 제외할지 여부

#### 속성 정의

속성 정의 블록을 사용하면 이미지 크기, 예측된 클래스, 감지된 객체 수 등 데이터에서 관련 정보를 추출할 수 있습니다. 이 예제에서는 객체 감지 모델이 찾은 객체 수를 계산합니다.

<figure><img src="https://lh7-rt.googleusercontent.com/docsz/AD_4nXc507UbRnkEH6XMdrfmwVZbHcK6x6K5THwnt1RmEk8iXSojwvmiA_q6KwRXV9bJudYnW7NMTQKKb9GqGxm_P0VjbuOoGWcDsM5NoQckl9jV4YcjYQFIvYoCgvd_YnQTNJLlwdbZwA?key=yGJPQzp1abf4J7pT0mnBw8w4" alt="" width="375"><figcaption></figcaption></figure>

다음 *데이터* 속성은 모델 예측을 참조합니다. 다음 *연산*, 항목 수 세기를 선택합니다. 이 설정은 객체 감지 모델이 수행한 예측 수를 반환합니다.

#### 바운딩 박스 시각화

모델 결과를 시각화하려면 바운딩 박스 시각화 블록을 추가합니다. 다음 *이미지*  매개변수에서 입력 이미지를 선택합니다. 예측 결과에는 모델 결과를 선택합니다. 선택적 구성 속성을 사용하여 경계 상자의 색상과 크기를 변경할 수도 있습니다.

<figure><img src="https://3843302164-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-c02309fdf720d80b86c1de59ed126c7b7d9a2f9d%2FCleanShot%202025-01-29%20at%2015.31.50%402x.png?alt=media" alt="" width="342"><figcaption></figcaption></figure>

#### 레이블 시각화

경계 상자를 그리는 것뿐 아니라 예측 결과의 클래스 이름도 표시하려고 합니다. 이렇게 하려면 다음을 추가합니다. *레이블 시각화*  블록을 경계 상자 시각화 뒤에 추가합니다. 같은 이미지에 경계 상자와 레이블을 모두 그리려면 입력 이미지를 참조하는 대신 참조 입력 이미지로 *bounding\_box\_visualization*  이미지를 설정합니다. 그러면 경계 상자 위에 레이블이 그려집니다.

<figure><img src="https://3843302164-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FoO0Ceoy9R0lHDZATcPyh%2Fuploads%2Fgit-blob-cdcb7551292e790e706a1451b75bd3dcca6b28eb%2FCleanShot%202025-01-29%20at%2016.17.06%402x.png?alt=media" alt="" width="343"><figcaption></figcaption></figure>

선택적 *텍스트* 표시 텍스트를 클래스 이름, 신뢰도, 클래스 이름과 신뢰도 중 하나로 변경하는 매개변수입니다.

### 변경 사항 저장

변경 사항을 초안으로 저장하려면 "저장"을 클릭하세요. Workflow 편집기는 편집하는 동안 변경 사항을 자동으로 저장하지 않습니다.

변경 사항을 실제로 적용하려면 필수 검사와 수동 승인이 완료된 후 Workflow를 게시하세요.

Workflow를 완성했으니 이제 테스트할 차례입니다.

### 예: 2단계 Workflow

단일 모델 Workflow에 익숙해졌다면, 다음으로 흔히 사용하는 패턴은 첫 번째 모델의 출력에 두 번째 모델을 연결하는 것입니다. 이 예제에서는 개를 감지하고 각 감지 영역을 잘라낸 다음, 각 잘라낸 이미지의 품종을 분류하고, 마지막으로 품종을 원래 바운딩 박스에 표시합니다.

1. **객체 감지 모델** - 블록을 추가하고 다음을 선택합니다 `rfdetr-small` 모델입니다.
2. **동적 자르기** - 첫 번째 모델이 찾은 객체를 자릅니다. 해당 모델의 *이미지* 속성을 워크플로 입력 이미지에 연결하고, *예측* 속성을 감지 모델의 예측 결과에 연결합니다.
3. **분류 모델** - 각 자른 이미지에 실행합니다. Roboflow Universe 모델 `dog-breed-xpaq6/1` 그리고 블록의 *이미지* 속성이 다음을 가리키도록 설정하고 `crops` Dynamic Crop 블록의 출력을 지정합니다.
4. **감지 클래스 대체** - 각 크롭의 예측 클래스를 해당 경계 상자에 할당합니다. 객체 감지 예측에 대한 참조와 분류 결과에 대한 참조를 입력으로 받습니다.
5. **경계 상자 시각화** 그런 다음 **레이블 시각화** - 두 단계를 연결합니다. 첫 번째 단계는 `$inputs.image` 를 입력으로 사용하고, 두 번째 단계는 첫 번째 단계의 출력 이미지를 입력으로 사용합니다. 두 단계 모두 Detections Classes Replacement 단계의 예측을 참조합니다.
6. **출력** - 클래스가 대체된 감지 결과와 최종 시각화를 선택합니다.

<figure><img src="https://media.roboflow.com/inference/workflow_visualisation_result.png" alt="Dog breed classification result"><figcaption><p>2단계 워크플로의 결과</p></figcaption></figure>

크롭은 입력 이미지보다 한 단계 더 깊은 수준에 있으므로 분류 결과는 각 이미지의 결과 안에 중첩됩니다. 이 중첩 방식은 [워크플로 실행](https://docs.roboflow.com/workflows/ko/developer-guide/developer-guide/workflow-execution.md) 을 참조하세요.

<details>

<summary>이 예제의 워크플로 정의</summary>

워크플로를 재현하려면 이 내용을 편집기에 붙여넣으세요.

```json
{
  "version": "1.0",
  "inputs": [
    {
      "type": "InferenceImage",
      "name": "image"
    }
  ],
  "steps": [
    {
      "type": "roboflow_core/roboflow_object_detection_model@v1",
      "name": "model",
      "images": "$inputs.image",
      "model_id": "rfdetr-small"
    },
    {
      "type": "roboflow_core/dynamic_crop@v1",
      "name": "dynamic_crop",
      "images": "$inputs.image",
      "predictions": "$steps.model.predictions"
    },
    {
      "type": "roboflow_core/roboflow_classification_model@v1",
      "name": "model_1",
      "images": "$steps.dynamic_crop.crops",
      "model_id": "dog-breed-xpaq6/1"
    },
    {
      "type": "roboflow_core/detections_classes_replacement@v1",
      "name": "detections_classes_replacement",
      "object_detection_predictions": "$steps.model.predictions",
      "classification_predictions": "$steps.model_1.predictions"
    },
    {
      "type": "roboflow_core/bounding_box_visualization@v1",
      "name": "bounding_box_visualization",
      "predictions": "$steps.detections_classes_replacement.predictions",
      "image": "$inputs.image"
    },
    {
      "type": "roboflow_core/label_visualization@v1",
      "name": "label_visualization",
      "predictions": "$steps.detections_classes_replacement.predictions",
      "image": "$steps.bounding_box_visualization.image"
    }
  ],
  "outputs": [
    {
      "type": "JsonField",
      "name": "detections",
      "coordinates_system": "own",
      "selector": "$steps.detections_classes_replacement.predictions"
    },
    {
      "type": "JsonField",
      "name": "visualisation",
      "coordinates_system": "own",
      "selector": "$steps.label_visualization.image"
    }
  ]
}
```

</details>

위 JSON의 구문을 알아보려면 [워크플로 정의 구문](https://docs.roboflow.com/workflows/ko/developer-guide/developer-guide/definitions.md).
