> 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/hello-world.md).

# Hello World

이 튜토리얼에서는 간단한 [워크플로](https://docs.roboflow.com/workflows) 를 만들고 실행하여 설정이 올바르게 설치되고 제대로 작동하는지 검증합니다. 컴퓨터 비전 모델에 대해 추론을 실행하고 UI 디버거를 통해 출력을 시각화합니다.

**난이도:** 쉬움\
**완료 시간:** 5분

## 사전 요구 사항

{% tabs %}
{% tab title="클라우드 연결" %}
이 튜토리얼에 필요한 것은 [무료 Roboflow 계정](https://app.roboflow.com/workflows) 이며 별도의 설정 없이 Serverless Hosted API에서 실행할 수 있습니다. 시작하기 가장 쉬운 방법이며, 나중에 Workflows를 자체 호스팅으로 이전할 수 있습니다.

플랫폼 UI 왼쪽 상단의 "Running on" 선택기를 클릭하고 이를 대상으로 지정하여 클라우드 플랫폼에서 로컬로 실행 중인 Inference Server에 연결할 수도 있습니다 `localhost` 또는 서버의 IP를 지정할 수 있습니다.

계정을 만든 다음, [새(빈) Workflow를 생성하고](https://docs.roboflow.com/workflows/build/create-a-workflow)아래를 계속 진행하세요.
{% endtab %}

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

Roboflow 계정 없이 자신의 컴퓨터에서 실행하려면 [자가 호스팅 설치 지침을 따르고](https://docs.roboflow.com/deployment/self-hosted/self-hosted) 개발 모드에서 Inference Server를 시작하세요(다음을 사용하여 `inference server start --dev`).

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

이제 빈 Workflow가 준비되었으며 빌드를 시작할 수 있어야 합니다.

![빈 Workflow](https://media.roboflow.com/workflows/guides/hello-world/01-empty-workflow.webp)

## 모델 추가

첫 번째 단계는 Model Block을 추가하는 것입니다. "Add a Block"을 클릭하여 블록 선택 사이드바를 여세요.

![블록 추가](https://media.roboflow.com/workflows/guides/hello-world/02-block-sidebar.webp)

이 가이드에서는 객체 감지 모델 블록을 선택하세요.

![모델 선택](https://media.roboflow.com/workflows/guides/hello-world/03-choose-model.webp)

그런 다음 모델을 선택하세요. 사전 학습된 모델(Microsoft COCO 데이터셋에 있는 일반 객체 80개 클래스에 대해 학습됨)을 사용할 수 있습니다. 또는 Roboflow 계정을 연결했다면, 직접 미세 조정한 모델이나 에 공유된 10만 개 이상의 커뮤니티 학습 모델 중 하나를 사용할 수 있습니다 [Roboflow Universe](https://docs.roboflow.com/datasets/universe/universe/what-is-roboflow-universe).

![모델 선택](https://media.roboflow.com/workflows/guides/hello-world/04-yolo-nas.webp)

## Workflow 테스트

모델을 추가한 후에는 이미지나 비디오에서 테스트할 수 있습니다. 오른쪽 상단의 "Test Workflow"를 클릭한 다음 이미지를 추가하고 "Run"을 클릭하세요. 기본적으로 출력에는 모델 예측의 JSON 표현이 포함됩니다.

![Workflow 테스트](https://media.roboflow.com/workflows/guides/hello-world/05-test-workflow.webp)

## 시각화 추가

모델이 무엇을 예측하는지 더 잘 보려면 Object Detection Model 블록 하단의 "+" 버튼을 클릭하여 시각화 블록을 추가하세요. "Bounding Box Visualization"과 "Label Visualization"은 함께 잘 작동합니다.

![시각화 추가](https://media.roboflow.com/workflows/guides/hello-world/06-add-visualization.webp)

다음으로 편의를 위해 시각화를 먼저(JSON 위에) 표시하도록 출력 순서를 바꾸겠습니다. "Outputs" 블록을 클릭한 다음 선택한 시각화의 "Move Up" 버튼을 클릭하세요.

![출력 순서 정렬](https://media.roboflow.com/workflows/guides/hello-world/07-arrange-outputs.webp)

이제 Workflow를 테스트하면 JSON과 함께 렌더링된 이미지를 볼 수 있습니다. 이는 디버깅이나 앱 UI의 일부로 모두 유용할 수 있습니다.

![다시 테스트](https://media.roboflow.com/workflows/guides/hello-world/08-test-again.webp)

썸네일(또는 "Visual" 출력 토글)을 클릭하여 더 큰 이미지 버전을 볼 수도 있습니다.

![시각적 결과 보기](https://media.roboflow.com/workflows/guides/hello-world/09-see-visual.webp)

## 배포

마지막으로 화면 상단의 "Deploy" 버튼을 통해 확인할 수 있는 클라이언트 코드 스니펫을 사용하여 이 Workflow를 더 큰 애플리케이션의 일부로 활용할 수 있습니다.

![배포](https://media.roboflow.com/workflows/guides/hello-world/10-deploy.webp)

## 다음 단계

간단한 Workflow를 만들고 Inference Server에 연결해 모델을 실행할 수 있음을 검증했으므로, 이제 다음과 같은 더 복잡하고 강력한 Workflows를 만들기 시작할 수 있습니다 [두 모델의 출력을 비교하기](/workflows/ko/tutorials/compare-models.md).