> 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/tutorials-1/compare-models.md).

# 두 모델 비교

이 튜토리얼에서는 [워크플로](https://docs.roboflow.com/workflows) 를 사용하여 동일한 이미지에서 서로 다른 두 인스턴스 분할 모델을 실행하고, 예측 결과를 정성적으로 비교합니다.

이 가이드에서는 COCO 데이터셋의 80개 클래스에 대해 사전 학습된 YOLO 모델을 사용하지만, 관심 있는 도메인별 객체로 맞춤 학습한 파인튜닝 모델과 함께 사용할 때 워크플로는 훨씬 더 강력해집니다.

**난이도:** 쉬움\
**소요 시간:** 5분

## 사전 요구 사항

{% tabs %}
{% tab title="클라우드 연결됨" %}
이 튜토리얼에는 [무료 Roboflow 계정](https://app.roboflow.com/workflows) 만 있으면 되며, 별도의 설정 없이 서버리스 클라우드 API에서 실행할 수 있습니다. 시작하기에 가장 쉬운 방법이며, 나중에 워크플로를 자체 호스팅으로 이전할 수 있습니다.

또한 플랫폼 UI 왼쪽 상단의 "Running on" 선택기를 클릭한 뒤 이를 `localhost` 또는 서버의 IP로 지정하여 클라우드 플랫폼에서 로컬에서 실행 중인 Inference Server에 연결할 수도 있습니다.

계정을 만든 후, [새로운(비어 있는) 워크플로를 생성한](https://docs.roboflow.com/workflows/build/create-a-workflow)뒤 아래 내용을 계속 진행하세요.
{% endtab %}

{% tab title="분리" %}
분리 모드에서는 Roboflow 계정이나 API 키 없이 Inference Server와 Workflow Builder UI를 모두 로컬에서 실행합니다. 분리 모드에서는 원격 배포, 모니터링, 클라우드 모델 허브 및 데이터셋 관리 플랫폼과의 통합 같은 클라우드 연결 기능을 사용하지 않으며, 자체 액세스 제어를 구현해야 합니다.

Roboflow 계정 없이 자신의 머신에서 실행하려면 [자체 호스팅 설치 지침](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 을 따르고 개발 모드로 Inference Server를 시작하세요( `inference server start --dev`).

그런 다음 로컬 워크플로 빌더로 이동하여 `localhost:9001/build` 에서 보라색 "Create a Workflow" 버튼을 사용해 빈 워크플로를 생성하세요. 메시지가 표시되면 "Build My Own"을 선택하세요.
{% endtab %}
{% endtabs %}

이제 빈 워크플로가 준비되었으므로 빌드를 시작할 수 있습니다.

![빈 워크플로](https://media.roboflow.com/workflows/guides/compare-models/01-empty-workflow.webp)

## 워크플로 이름 바꾸기

워크플로를 구분하기 쉽도록 설명적인 이름을 붙이는 것이 좋습니다. 그렇게 하려면 Editor UI 왼쪽 상단의 "Edit" 아이콘을 클릭하고 이름과 엔드포인트 URL을 업데이트하세요. 이 식별자는 나중에 API를 통해 이 워크플로를 참조할 때 사용합니다.

![워크플로 이름 바꾸기](https://media.roboflow.com/workflows/guides/compare-models/02-rename.webp)

## 첫 번째 모델 추가

이 워크플로에는 두 개의 인스턴스 분할 모델을 추가할 것입니다. 분할 모델은 이미지에서 관심 객체를 찾아 그 윤곽을 예측합니다. 객체의 크기를 측정하거나 배경에서 분리해야 하는 사용 사례에 가장 적합합니다.

"Add Block" 버튼을 클릭하고 Models를 선택한 다음, 작업 유형으로 Instance Segmentation을 선택하세요.

![첫 번째 모델 추가](https://media.roboflow.com/workflows/guides/compare-models/03-add-first-model.webp)

사전 학습된 YOLOv8 Segmentation 모델을 사용할 것입니다. 이미 Roboflow에서 모델을 학습한 적이 있다면, 대신 파인튜닝한 모델 중 하나를 선택하거나, 이러한 모델이 식별하는 일반 객체 80개 클래스 대신 원하는 관심 객체를 예측하는 Roboflow Universe에서 다른 사용자가 공유한 모델 ID를 선택할 수도 있습니다.

![YOLOv8 Segmentation 선택](https://media.roboflow.com/workflows/guides/compare-models/04-select-yolov8-seg.webp)

## 두 번째 모델 추가

다음으로 첫 번째 모델 옆에 두 번째 모델을 추가하여 실행 흐름을 분기하겠습니다. 워크플로는 가능한 경우 실행을 자동으로 병렬화하여 더 빠르게 처리합니다. 이를 위해 첫 번째 모델 블록 옆의 "Fork" 버튼을 클릭하세요.

![분기 브랜치](https://media.roboflow.com/workflows/guides/compare-models/05-fork-branch.webp)

그다음 두 번째 Instance Segmentation Model 블록을 추가하도록 선택하세요.

![두 번째 모델 추가](https://media.roboflow.com/workflows/guides/compare-models/06-add-second-model.webp)

그리고 이를 YOLOv11 Segmentation 모델이 실행되도록 설정하세요.

![YOLOv11 Segmentation 선택](https://media.roboflow.com/workflows/guides/compare-models/07-select-yolov11-seg.webp)

## 모델 비교

다음으로 두 모델의 예측 결과를 가져와 그 차이를 시각화하는 Model Comparison Visualization 블록을 추가하겠습니다.

추가한 두 모델 블록 중 하나의 출력에서 "+" 버튼을 클릭하세요.

![시각화 추가](https://media.roboflow.com/workflows/guides/compare-models/08-add-visualization-block.webp)

그런 다음 Model Comparison Visualization 블록을 선택하세요.

![Model Comparison Visualization 선택](https://media.roboflow.com/workflows/guides/compare-models/09-select-model-comparison.webp)

이제 두 번째 입력을 두 번째 모델이 출력한 예측값에 연결해야 합니다. 이는 블록 설정 사이드바에서 수행합니다. 여기에서 색상과 투명도 같은 추가 설정도 변경할 수 있습니다.

![추가 입력 연결](https://media.roboflow.com/workflows/guides/compare-models/10-wire-block-inputs.webp)

## 출력 사용자 지정

인스턴스 분할 모델은 감지된 객체의 복잡한 형태를 설명하기 위해 많은 데이터를 반환합니다. 측정 같은 하위 작업에는 유용할 수 있지만, 이 튜토리얼에서는 시각화만 중요하므로 응답을 단순화하기 위해 추가 출력을 제거할 수 있습니다.

불필요한 출력을 삭제하려면 "Outputs" 블록을 클릭하고 두 모델 블록에서 나온 예측에 대해 휴지통 아이콘을 사용하세요.

![불필요한 출력 삭제](https://media.roboflow.com/workflows/guides/compare-models/11-modify-outputs.webp)

그러면 출력은 하나만 남습니다. 바로 Model Comparison Visualization 블록에서 나온 이미지입니다.

![정리된 출력](https://media.roboflow.com/workflows/guides/compare-models/12-pruned-outputs.webp)

## 결과 테스트

이제 워크플로를 테스트할 준비가 되었습니다. Builder UI 오른쪽 상단의 "Test Workflow"를 클릭한 다음 이미지를 추가하고 "Run"을 클릭하세요.

![워크플로 테스트](https://media.roboflow.com/workflows/guides/compare-models/13-test-workflow.webp)

생성된 시각화는 두 모델의 예측 비교를 보여줍니다. 어두운 영역은 어느 모델도 예측하지 않았고, 밝은 영역은 두 모델 모두 예측했으며, 녹색 영역은 Model A(YOLOv8)만 예측했고, 빨간색 영역은 Model B(YOLOv11)만 예측했습니다.

이를 통해 이 이미지에서는 YOLOv11이 YOLOv8보다 더 나은 성능을 보인다는 것을 알 수 있습니다. YOLOv8이 놓친 두 사람을 식별했고, 사람들의 발과 다리를 더 잘 포착했으며, 선수들의 윤곽에서 배경 일부를 잘못 예측하지 않았습니다.

![최종 출력](https://media.roboflow.com/workflows/guides/compare-models/visualization.jpeg)

## 다음 단계

이 튜토리얼에서는 워크플로를 구성하고, 여러 모델을 병렬로 실행하며, 사용자 지정 입력으로 블록을 설정하는 방법을 배웠습니다. 이 워크플로를 사용해 다른 사전 학습 모델을 평가하거나, 자체 모델의 성능을 반복적으로 개선하고 초기 기준선과 비교하여 시간이 지남에 따른 결과를 시각화할 수 있습니다.

다음으로, 우리가 어떻게 [작은 객체에 대한 모델 성능을 향상시킬 수 있는지](/workflows/ko/tutorials-1/detect-small-objects.md) 모델 자체를 변경하지 않고도 살펴보겠습니다.