> 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/deploy/deploy-a-workflow.md).

# Workflow 배포

관리형 라이브 카메라에는 Cloud Streaming을, 요청에는 Cloud API를, 저장된 데이터에는 배치 처리를, 또는 자체 런타임을 선택하세요.

입력과 처리 지속 시간에 따라 Workflow 실행 방식을 선택합니다.

<table data-search="false"><thead><tr><th>옵션</th><th>적합한 용도</th></tr></thead><tbody><tr><td><a href="https://docs.roboflow.com/deployment/roboflow-cloud/cloud-streaming">Cloud Streaming</a></td><td>관리형 클라우드 컴퓨팅 환경에서 실시간 카메라를 처리하며, 소스 설정, 미리보기, 연속 배포 및 명시적인 중지 제어를 제공합니다.</td></tr><tr><td>HTTP API</td><td>호스팅 또는 자체 호스팅 엔드포인트에 개별 이미지를 요청합니다.</td></tr><tr><td><a href="https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments">Dedicated Deployments</a></td><td>전용으로 프로비저닝된 프라이빗 클라우드 런타임을 사용합니다.</td></tr><tr><td><a href="https://docs.roboflow.com/workflows/ko/deploy/video-processing.md">자체 호스팅 비디오 처리</a></td><td>자체 Inference Server에서 웹캠, 네트워크 카메라 또는 파일을 처리합니다.</td></tr><tr><td><a href="https://docs.roboflow.com/deployment/roboflow-cloud/batch-processing">일괄 처리</a></td><td>저장된 이미지와 비디오를 대상으로 완료 시점이 정해진 비동기 작업을 실행합니다.</td></tr><tr><td><a href="https://docs.roboflow.com/reference/inference/inference-cli/workflows">Inference CLI</a></td><td>명령줄에서 이미지, 디렉터리 또는 비디오 파일을 처리합니다.</td></tr><tr><td>Inference Python 패키지</td><td>HTTP를 거치지 않고 애플리케이션 내에서  <a href="https://docs.roboflow.com/workflows/ko/developer-guide/developer-guide/execution-engine.md#running-the-execution-engine-in-python">Execution Engine</a> 을 실행합니다.</td></tr></tbody></table>

{% hint style="warning" %}
Serverless Cloud API에서 요청별로 Workflow를 실행할 때는 다음 두 가지 제한을 고려해야 합니다.

* Workflow 실행 시간은 최대 20초로 제한됩니다.
* 응답 페이로드는 최대 6MB로 제한되므로 시각화 블록이 많거나 입력 이미지가 큰 Workflow는 실패할 수 있습니다.

이러한 요청 제한은 Cloud Streaming 작업에는 적용되지 않습니다. 자체 호스팅 및 전용 배포에는 각각 별도의 런타임 구성이 있습니다.
{% endhint %}

자체 하드웨어에서 Workflow를 실행하면 이미지와 비디오 파일은 물론 일반  **웹캠** 과 전문가용  **CCTV 카메라의 스트림에서도 실행할 수 있습니다.**).

온프레미스 배포를 선택하면 Inference를 배포할 수 있는 모든 시스템에서 Workflow를 실행할 수 있습니다. 여기에는 다음이 포함됩니다.

* NVIDIA Jetson
* AWS EC2, GCP Cloud Engine 및 Azure Virtual Machines
* Raspberry Pi

{% hint style="info" %}
Roboflow Enterprise 고객은 Basler 카메라에서 추론을 실행하는 등의 추가 비디오 스트림 옵션을 이용할 수 있습니다. 제공 서비스에 대해 자세히 알아보려면  [Roboflow 영업팀에 문의하세요](https://roboflow.com/sales).
{% endhint %}

### Workflow 배포

Workflow 편집기에서 "배포"를 클릭하여 배포 방식을 선택합니다. 연결된 실시간 소스에는 "Cloud Streaming"을 선택하거나, 아래의 해당 API 또는 자체 호스팅 지침을 사용하세요.

Workflows 편집기의 코드 스니펫에는 Workflows URL과 API 키가 미리 입력됩니다.

스니펫은 편집기가 실행 중인 런타임에 맞춰집니다. 편집기를 로컬 Inference 서버 또는  [Dedicated Deployment](https://docs.roboflow.com/deployment/roboflow-cloud/dedicated-deployments)로 전환하면 각 스니펫의  `api_url` 이 해당 서버를 가리키고, 해당 탭이 추천 항목으로 표시됩니다. 저장된 Workflow 미리보기에 예제 이미지가 있으면 스니펫에도 자동으로 입력됩니다.

{% hint style="info" %}
Workflows의 사용 제한에 대해 자세히 알아보려면  [Roboflow 가격 페이지를 참조하세요](https://roboflow.com/workflows).
{% endhint %}

#### 이미지 처리

Roboflow API 또는 로컬 Inference 서버를 사용하여 단일 이미지에서 Workflow를 실행할 수 있습니다.

먼저 Roboflow Inference SDK를 설치합니다.

```bash
pip install inference-sdk inference-cli
```

로컬에서 실행하는 경우  [공식 Docker 설치 지침](https://docs.docker.com/get-docker/) 에 따라 컴퓨터에 Docker를 설치하고 Inference 서버를 시작합니다.

```
inference server start
```

그런 다음 새 Python 파일을 만들고 다음 코드를 추가합니다:

```python
from inference_sdk import InferenceHTTPClient, InferenceConfiguration

client = InferenceHTTPClient(
    api_url="https://serverless.roboflow.com",  # or "http://127.0.0.1:9001" for local deployment
    api_key="API_KEY"
).configure(InferenceConfiguration(api_key_transport="header"))

result = client.run_workflow(
    workspace_name="workspace-name",
    workflow_id="workflow-id",
    images={
        "image": "YOUR_IMAGE.jpg"
    }
)

```

위 코드에서 `API_KEY` 를 Roboflow API 키로 바꿉니다. 다음을 `workspace-name` 과 `workflow-id` 는 Roboflow 워크스페이스 이름과 Workflow ID로 바꿉니다.

이 값을 찾으려면 Roboflow Workflow를 열고 "Workflow 배포"를 클릭합니다. 그런 다음 페이지에 표시되는 코드 스니펫에서 워크스페이스 이름과 Workflow ID를 복사합니다.

로컬 실행은 CPU와 NVIDIA CUDA GPU 기기에서 작동합니다. 최고의 성능을 내려면 NVIDIA Jetson과 같은 GPU 지원 기기나 NVIDIA GPU가 장착된 클라우드 서버에 배포하세요.

원하는 언어로 엔드포인트를 직접 호출하려면 다음과 같이 HTTP 요청을 보냅니다:

```bash
curl --location 'https://serverless.roboflow.com/infer/workflows/<your-workspace-name>/<your-workflow-id>' \
    --header 'Content-Type: application/json' \
    --header 'Authorization: Bearer <YOUR-API-KEY>' \
    --data '{
    "inputs": {
        "image": {"type": "url", "value": "https://your-image-url"},
        "parameter": "some-value"
    }
}'
```

{% hint style="info" %}
키를 `?api_key=` 쿼리 매개변수 또는 `api_key` 본문 필드로 보내는 방식은 이전 인증 방법입니다. 여전히 작동하지만, `Authorization: Bearer` 헤더를 사용하면 키가 URL과 로그에 노출되지 않습니다. 자세한 내용은 [REST API로 인증하기](https://docs.roboflow.com/reference/platform/rest-api/authenticate-with-the-rest-api).
{% endhint %}

inputs `객체의 키는` Workflow에 따라 결정되므로 정의한 입력에 따라 이름이 달라집니다. 다음과 같이 선언한 입력은 `WorkflowImage` type `및` value `키가 포함된 객체를 받습니다. HTTP에서 지원되는` 값은 `및` 다음과 같습니다: `url` value `base64`.

위 예제는 Roboflow 플랫폼에 저장된 Workflow를 실행합니다. 요청에 전체 Workflow 정의를 포함해 보낼 수도 있습니다. 이 방법은 처음부터 만든 Workflow에서 API 키가 필요한 블록을 사용하지 않을 때 유용합니다. 자세한 내용은 [Inference SDK](https://docs.roboflow.com/reference/inference/inference-sdk/workflows) 의 `specification` 인수입니다.

#### 비디오 스트림 처리

관리형 라이브 카메라를 사용하려면 [Cloud Streaming](https://docs.roboflow.com/deployment/roboflow-cloud/cloud-streaming). "배포"를 클릭한 다음 "Cloud Streaming"을 클릭하고, 소스를 선택한 후 Workflow 입력값과 예상 처리량을 검토하고 처리를 시작합니다. 카메라 연결, 결과 확인, 실행 명시적 중지 방법은 [빠른 시작](https://docs.roboflow.com/deployment/roboflow-cloud/cloud-streaming/quickstart) 을 참고하세요.

편집기의 "실행" 작업으로 배포 옆에서 초안을 미리 볼 수 있습니다. 적격한 미리 보기를 승격하면 게시하거나 다시 시작하지 않고도 정확히 동일한 실행 스냅샷과 비활성화된 싱크가 유지됩니다. 연속 실행에 수정 사항을 적용하기 전에 [Workflow 수명 주기](https://docs.roboflow.com/deployment/roboflow-cloud/cloud-streaming/run-a-workflow) 를 참고하세요.

자체 Inference Server에서 비디오를 처리하려면 Inference SDK WebRTC 클라이언트를 계속 사용할 수 있습니다:

```bash
pip install "inference-sdk[webrtc]"
```

```python
from inference_sdk import InferenceHTTPClient, InferenceConfiguration
from inference_sdk.webrtc import StreamConfig, WebcamSource

client = InferenceHTTPClient(
    api_url="http://localhost:9001",
    api_key="API_KEY",
).configure(InferenceConfiguration(api_key_transport="header"))

session = client.webrtc.stream(
    source=WebcamSource(),
    workflow="workflow-id",
    workspace="workspace-name",
    config=StreamConfig(data_output=["predictions"]),
)

@session.on_data("predictions")
def handle_predictions(predictions, metadata):
    print(predictions)

session.run()
```

먼저 [자체 호스팅 Inference Server](https://docs.roboflow.com/deployment/self-hosted/inference-server) 를 시작하고 workspace, Workflow, API 키 값을 바꾸세요. 다른 소스 유형과 출력 처리 방법은 [Workflows를 사용한 비디오 처리](https://docs.roboflow.com/workflows/ko/deploy/video-processing.md) 를 참고하세요. 이 WebRTC 클라이언트는 Cloud Streaming 소스 및 작업 API가 아닙니다.

#### 데이터 배치 처리

Roboflow Batch Processing 서비스를 사용하면 이미지 디렉터리와 비디오 파일 같은 전체 데이터 배치를 효율적으로 처리할 수 있습니다. 완전 관리형인 이 솔루션은 코딩이나 로컬 계산이 필요하지 않습니다. 데이터와 Workflow를 선택하기만 하면 나머지는 Roboflow가 처리합니다.

Batch Processing은 UI, CLI, REST API를 통한 상호작용을 모두 지원합니다. 아래에서는 CLI 명령을 소개합니다. 자세한 [전체 옵션](https://docs.roboflow.com/deployment/roboflow-cloud/batch-processing#cli).

을 확인하세요. 처리를 실행하려면 Inference CLI를 설치합니다:

```
pip install inference-cli
```

그런 다음 데이터를 수집합니다:

```
inference rf-cloud data-staging create-batch-of-images \
    --images-dir <your-images-dir-path> \
    --batch-id <your-batch-id>
```

데이터가 로드되면 처리 작업을 시작합니다:

```
inference rf-cloud batch-processing process-images-with-workflow \
    --workflow-id <workflow-id> \
    --batch-id <batch-id>
```

다음 명령으로 작업 진행 상황을 표시할 수 있습니다:

```
inference rf-cloud batch-processing show-job-details \
    --job-id <your-job-id>  # 작업을 만들 때 job-id가 표시됩니다
```

작업이 완료되면 결과를 내보냅니다:

```
inference rf-cloud data-staging export-batch \
    --target-dir <dir-to-export-result> \
    --batch-id <output-batch-of-a-job>
```

#### CLI로 로컬 디렉터리 처리하기

현재 사용 중인 머신에 이미 있는 데이터의 경우, `inference-cli` 를 사용하면 코드를 작성하지 않고도 개별 이미지, 이미지 디렉터리 또는 동영상 파일에 대해 워크플로를 실행할 수 있습니다:

```bash
pip install inference-cli
```

```bash
inference workflows process-images-directory \
    -i {your_input_directory} \
    -o {your_output_directory} \
    --workspace_name {your-roboflow-workspace-url} \
    --workflow_id {your-workflow-id} \
    --api-key {your_roboflow_api_key}
```

출력 디렉터리에는 입력 파일마다 하위 디렉터리가 하나씩 생성됩니다. 각 하위 디렉터리에는 해당 파일의 워크플로 결과가 담긴 `results.json` 파일과 실행 중 생성된 이미지가 포함됩니다. 또한 모든 입력 파일의 결과를 하나로 합친 `aggregated_results.csv` 파일도 생성됩니다.

모든 옵션은 [Inference CLI 참조](https://docs.roboflow.com/reference/inference/inference-cli/workflows) 를 확인하세요.

## 다음 단계

* 자체 Python 애플리케이션에서 Execution Engine을 직접 실행하려면 [개발자 가이드](https://docs.roboflow.com/workflows/ko/developer-guide/developer-guide.md).
* 워크플로가 반환하는 결과의 구조를 알아보려면 [워크플로 실행](https://docs.roboflow.com/workflows/ko/developer-guide/developer-guide/workflow-execution.md#output-construction).
