기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # Amazon Rekognition Custom Labels의 이해 이 섹션에서는 콘솔 및 AWS SDK와 함께 Amazon Rekognition Custom Labels 모델을 훈련하고 사용하는 워크플로에 대한 개요를 제공합니다. **참고** Amazon Rekognition Custom Labels는 이제 프로젝트 내에서 데이터 세트를 관리합니다. 콘솔 및 AWS SDK를 사용하여 프로젝트에 대한 데이터 세트를 생성할 수 있습니다. 이전에 Amazon Rekognition Custom Labels를 사용한 적이 있는 경우 이전 데이터 세트를 새 프로젝트와 연결해야 할 수 있습니다. 자세한 내용은 [6단계: (선택 사항) 이전 데이터 세트를 새 프로젝트와 연결](su-associate-prior-dataset.md) 섹션을 참조하세요. **Topics** + [모델 유형 결정](#tm-intro-model-type) + [모델 생성](#tm-create-model) + [모델 개선](#tm-intro-improve-model) + [모델 시작](#tm-start-model) + [이미지 분석](#training-analyze-image) + [모델 중지](#tm-stop-model) ## 모델 유형 결정 먼저 비즈니스 목표에 따라 훈련할 모델 유형을 결정합니다. 예를 들어 소셜 미디어 게시물에서 로고를 찾거나, 매장 진열대에서 제품을 식별하거나, 조립 라인에서 기계 부품을 분류하도록 모델을 훈련할 수 있습니다. Amazon Rekognition Custom Labels는 다음 유형의 모델을 훈련할 수 있습니다. + [객체, 장면 및 개념 찾기](#tm-classification) + [객체 위치 찾기](#tm-object-localization) + [브랜드 위치 찾기](#tm-brand-detection-localization) Amazon Rekognition Custom Labels는 훈련할 모델 유형을 결정하는 데 도움이 되도록 사용할 수 있는 예제 프로젝트를 제공합니다. 자세한 내용은 [Amazon Rekognition Custom Labels 시작하기](getting-started.md) 단원을 참조하십시오. ### 객체, 장면 및 개념 찾기 모델은 전체 이미지와 관련된 객체, 장면 및 개념의 분류를 예측합니다. 예를 들어 이미지에 관광 명소**가 포함되어 있는지 여부를 판단하는 모델을 훈련할 수 있습니다. 예제 프로젝트에 관해서는 [이미지 분류](getting-started.md#gs-image-classification-example) 항목을 참조하세요. 다음 호수 이미지는 객체, 장면, 개념을 인식할 수 있는 이미지의 예입니다. ![일몰 또는 일출 시 구름과 산이 반사되어 비치는 고요한 호수입니다.](http://docs.aws.amazon.com/ko_kr/rekognition/latest/customlabels-dg/images/pateros.jpg) 또는 이미지를 여러 범주로 분류하는 모델을 훈련할 수도 있습니다. 예를 들어, 이전 이미지에는 하늘색**, 반사** 또는 호수**와 같은 범주가 있을 수 있습니다. 예제 프로젝트에 관해서는 [다중 레이블 이미지 분류](getting-started.md#gs-multi-label-image-classification-example) 항목을 참조하세요. ### 객체 위치 찾기 모델은 이미지 상의 객체 위치를 예측합니다. 예측에는 객체 위치에 대한 경계 상자 정보와 경계 상자 내의 객체를 식별하는 레이블이 포함됩니다. 예를 들어, 다음 이미지는 콤퍼레이터** 또는 포트 저항기**와 같은 회로 기판의 다양한 부분 주위에 있는 경계 상자를 보여줍니다. ![회로 기판의 IR LED, 포트 저항기, 비교기 칩을 보여주는 구성 요소 이미지입니다.](http://docs.aws.amazon.com/ko_kr/rekognition/latest/customlabels-dg/images/localization-circuit-board.png) [객체 위치 파악](getting-started.md#gs-object-localization-example) 예제 프로젝트는 Amazon Rekognition Custom Labels가 레이블이 있는 경계 상자를 사용하여 객체 위치를 찾는 모델을 훈련하는 방법을 보여줍니다. ### 브랜드 위치 찾기 Amazon Rekognition Custom Labels는 이미지에서 브랜드 위치(예: 로고)를 찾는 모델을 훈련할 수 있습니다. 예측에는 브랜드 위치에 대한 경계 상자 정보와 경계 상자 내의 객체를 식별하는 레이블이 포함됩니다. 예제 프로젝트에 관해서는 [브랜드 감지](getting-started.md#gs-brand-detection-example) 항목을 참조하세요. 다음 이미지는 모델이 감지할 수 있는 일부 브랜드의 예입니다. ![권장 사항을 위해 사용자 활동을 Amazon Pinpoint로 피드하는 Lambda 서비스를 보여주는 다이어그램입니다.](http://docs.aws.amazon.com/ko_kr/rekognition/latest/customlabels-dg/images/brand-detection-lambda.png) ## 모델 생성 모델을 만드는 단계는 프로젝트 생성, 훈련 및 테스트 데이터 세트 생성, 모델 훈련입니다. ### 프로젝트 생성 Amazon Rekognition Custom Labels 프로젝트는 모델을 생성하고 관리하는 데 필요한 리소스의 모음입니다. 프로젝트는 다음을 관리합니다. + **데이터 세트**: 모델 훈련에 사용되는 이미지 및 이미지 레이블. 프로젝트에는 훈련 데이터 세트와 테스트 데이터 세트가 있습니다. + **모델**: 사용자의 비즈니스에 필요한 개념, 장면, 객체를 찾을 수 있게 훈련하는 소프트웨어입니다. 한 프로젝트에 여러 버전의 모델을 넣어 둘 수 있습니다. 하나의 프로젝트에는 하나의 용도만 지정해서 사용하시는 것을 권장합니다. 예를 들어 회로판에서 회로판 부품을 찾는 용도로만 사용하는 프로젝트처럼 말입니다. Amazon Rekognition Custom Labels 콘솔과 [CreateProject](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_CreateProject) API를 사용하여 프로젝트를 생성할 수 있습니다. 자세한 내용은 [프로젝트 생성](mp-create-project.md) 단원을 참조하십시오. ### 훈련 및 테스트 데이터 세트 생성 데이터 세트는 해당 이미지를 설명하는 이미지와 레이블의 집합입니다. 프로젝트 내에서 Amazon Rekognition Custom Labels가 모델을 훈련하고 테스트하는 데 사용하는 교육 데이터 세트와 테스트 데이터 세트를 생성합니다. 레이블은 이미지에서 객체, 장면, 개념 또는 객체 주위의 경계 상자를 식별합니다. 레이블은 전체 이미지(이미지 수준**)에 지정되거나 이미지에서 객체를 둘러싸는 경계 상자에 지정됩니다. **중요** 데이터 세트의 이미지에 레이블을 지정하는 방식에 따라 Amazon Rekognition Custom Labels가 생성하는 모델 유형이 결정됩니다. 예를 들어 객체, 장면 및 개념을 찾는 모델을 훈련하려면 훈련 및 테스트 데이터 세트의 이미지에 이미지 수준 레이블을 지정합니다. 자세한 내용은 [데이터 세트 목적 설정](md-dataset-purpose.md) 단원을 참조하십시오. 이미지는 PNG 및 JPEG 형식이어야 하며 입력 이미지 권장 사항을 따라야 합니다. 자세한 내용은 [이미지 준비](md-prepare-images.md) 단원을 참조하십시오. #### 훈련 및 테스트 데이터 세트 생성(콘솔) 단일 데이터 세트 또는 별도의 훈련 및 테스트 데이터 세트로 프로젝트를 시작할 수 있습니다. 단일 데이터 세트로 시작하는 경우 Amazon Rekognition Custom Labels는 훈련 중에 데이터 세트를 분할하여 프로젝트에 사용할 훈련 데이터 세트(80%)와 테스트 데이터 세트(20%)를 생성합니다. Amazon Rekognition Custom Labels가 훈련 및 테스트에 사용할 이미지를 결정하게 하려면 단일 데이터 세트로 시작하세요. 훈련, 테스트 및 성능 튜닝을 완벽하게 제어하려면 별도의 훈련 및 테스트 데이터 세트로 프로젝트를 시작하는 것이 좋습니다. 프로젝트의 데이터 세트를 만들려면 다음 방법 중 하나로 이미지를 가져옵니다. + 로컬 컴퓨터에서 이미지 가져오기 + S3 버킷에서 이미지 가져오기 Amazon Rekognition Custom Labels는 이미지가 포함된 폴더 이름을 사용하여 이미지에 레이블을 지정할 수 있습니다. + Amazon SageMaker AI Ground Truth 매니페스트 파일을 가져옵니다. + 기존 Amazon Rekognition Custom Labels 데이터 세트를 복사합니다. 자세한 내용은 [이미지를 사용하여 훈련 및 테스트 데이터 세트 생성](md-create-dataset.md) 단원을 참조하십시오. 이미지를 가져온 위치에 따라 이미지에 레이블이 지정되지 않을 수 있습니다. 예를 들어 로컬 컴퓨터에서 가져온 이미지에는 레이블이 지정되지 않습니다. Amazon SageMaker AI Ground Truth 매니페스트 파일에서 가져온 이미지에는 레이블이 지정됩니다. Amazon Rekognition Custom Labels 콘솔을 사용하여 레이블을 추가, 변경 및 할당할 수 있습니다. 자세한 내용은 [이미지 레이블 지정](md-labeling-images.md) 단원을 참조하십시오. 콘솔을 사용하여 훈련 및 테스트 데이터 세트를 생성하려면 [이미지를 사용하여 훈련 및 테스트 데이터 세트 생성](md-create-dataset.md) 항목을 참조하세요. 훈련 및 테스트 데이터 세트 생성이 포함된 튜토리얼에 관해서는 [이미지 분류](tutorial-classification.md) 항목을 참조하세요. #### 훈련 및 테스트 데이터 세트 생성(SDK) 훈련 및 테스트 데이터 세트를 만들려면 `CreateDataset` API를 사용합니다. Amazon Sagemaker 형식 매니페스트 파일을 사용하거나 기존 Amazon Rekognition Custom Labels 데이터세트를 복사하여 데이터 세트를 생성할 수 있습니다. 자세한 내용은 [훈련 및 테스트 데이터 세트 생성(SDK)](md-create-dataset.md#cd-create-dataset-sdk) 섹션을 참조하세요. 필요한 경우 직접 매니페스트 파일을 생성할 수 있습니다. 자세한 내용은 [매니페스트 파일 생성](md-create-manifest-file.md) 단원을 참조하십시오. ### 모델 훈련하기 훈련 데이터 세트를 사용하여 모델을 훈련하세요. 모델을 훈련할 때마다 새 버전의 모델이 생성됩니다. Amazon Rekognition Custom Labels는 훈련 중에 훈련된 모델의 성능을 테스트합니다. 그 결과를 사용하여 모델을 평가하고 개선할 수 있습니다. 훈련을 완료하는 데 시간이 걸립니다. 모델 훈련을 성공적으로 완료한 경우에만 비용이 청구됩니다. 자세한 내용은 [Amazon Rekognition Custom Labels 모델 훈련](training-model.md) 단원을 참조하십시오. 모델 훈련이 실패할 경우 Amazon Rekognition Custom Labels는 사용할 수 있는 디버깅 정보를 제공합니다. 자세한 내용은 [실패한 모델 훈련 디버깅](tm-debugging.md) 단원을 참조하십시오. #### 모델 훈련(콘솔) 콘솔을 사용하여 모델을 훈련하려면 [모델 훈련(콘솔)](training-model.md#tm-console) 항목을 참조하세요. #### 모델 훈련(SDK) [CreateProjectVersion](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_CreateProjectVersion)을 직접 호출하여 Amazon Rekognition Custom Labels 모델을 훈련합니다. 자세한 내용은 [모델 훈련(SDK)](training-model.md#tm-sdk) 단원을 참조하십시오. ## 모델 개선 Amazon Rekognition Custom Labels는 테스트 중에 훈련된 모델을 개선하는 데 사용할 수 있는 평가 지표를 생성합니다. ### 모델 평가 테스트 중에 만든 성능 지표를 사용하여 모델의 성능을 평가하세요. F1, 정밀도, 재현율과 같은 성능 지표를 통해 훈련된 모델의 성능을 이해하고 프로덕션에 사용할 준비가 되었는지 결정할 수 있습니다. 자세한 내용은 [모델 평가를 위한 지표](im-metrics-use.md) 단원을 참조하십시오. #### 모델 평가(콘솔) 성능 지표를 보려면 [평가 지표 액세스(콘솔)](im-access-training-results.md) 항목을 참조하세요. #### 모델 평가(SDK) 성능 지표를 가져오려면 [DescribeProjectVersions](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_DescribeProjectVersions)를 직접 호출하여 테스트 결과를 가져옵니다. 자세한 내용은 [Amazon Rekognition Custom Labels 평가 지표에 액세스(SDK)](im-metrics-api.md) 단원을 참조하십시오. 테스트 결과에는 콘솔에서는 이용할 수 없는 지표(예: 분류 결과에 대한 오차 행렬)가 포함됩니다. 테스트 결과는 다음과 같은 형식으로 반환됩니다. + F1 점수: 모델의 정밀도 및 재현율의 전반적인 성능을 나타내는 단일 값입니다. 자세한 내용은 [F1](im-metrics-use.md#im-f1-metric) 단원을 참조하십시오. + 요약 파일 위치: 테스트 개요에는 전체 테스트 데이터 세트에 대한 집계된 평가 지표와 각 개별 레이블에 대한 지표가 포함됩니다. `DescribeProjectVersions`는 개요 파일의 S3 버킷 및 폴더 위치를 반환합니다. 자세한 내용은 [모델 요약 파일 액세스](im-summary-file-api.md) 단원을 참조하십시오. + 평가 매니페스트 스냅샷 위치: 스냅샷에는 신뢰도 등급 및 바이너리 분류 테스트 결과(예: 오탐지)를 비롯한 테스트 결과에 대한 세부 정보가 포함됩니다. `DescribeProjectVersions`는 스냅샷 파일의 S3 버킷 및 폴더 위치를 반환합니다. 자세한 내용은 [평가 매니페스트 스냅샷 해석](im-evaluation-manifest-snapshot-api.md) 단원을 참조하십시오. ### 모델 개선 개선이 필요한 경우 훈련 이미지를 더 추가하거나 데이터 세트 레이블 지정을 개선할 수 있습니다. 자세한 내용은 [Amazon Rekognition Custom Labels 모델 개선](tr-improve-model.md) 단원을 참조하십시오. 또한 모델의 예측에 대한 피드백을 제공하고 이를 사용하여 모델을 개선할 수 있습니다. 자세한 내용은 [모델 피드백을 사용하여 모델 개선](ex-feedback.md) 단원을 참조하십시오. #### 모델 개선(콘솔) 데이터 세트에 이미지를 추가하려면 [데이터 세트에 더 많은 이미지 추가](md-add-images.md) 항목을 참조하세요. 레이블을 추가하거나 변경하려면 [이미지 레이블 지정](md-labeling-images.md) 항목을 참조하세요. 모델을 재훈련하려면 [모델 훈련(콘솔)](training-model.md#tm-console) 항목을 참조하세요. #### 모델 개선(SDK) 데이터 세트에 이미지를 추가하거나 이미지의 레이블을 변경하려면 `UpdateDatasetEntries` API를 사용하세요. `UpdateDatasetEntries`는 매니페스트 파일에 JSON 라인을 업데이트하거나 추가합니다. 각 JSON 라인에는 지정된 레이블 또는 경계 상자 정보와 같은 단일 이미지에 대한 정보가 들어 있습니다. 자세한 내용은 [더 많은 이미지 추가(SDK)](md-add-images.md#md-add-images-sdk) 단원을 참조하십시오. 데이터 세트의 항목을 보려면 `ListDatasetEntries` API를 사용하세요. 모델을 재훈련하려면 [모델 훈련(SDK)](training-model.md#tm-sdk-datasets) 항목을 참조하세요. ## 모델 시작 모델을 사용하려면 먼저 Amazon Rekognition Custom Labels 콘솔 또는 `StartProjectVersion` API를 사용하여 모델을 시작하세요. 모델을 실행하는 시간만큼 요금이 부과됩니다. 자세한 내용은 [훈련된 Amazon Rekognition Custom Labels 모델 실행](running-model.md) 단원을 참조하십시오. ### 모델 시작(콘솔) 콘솔을 사용하여 모델을 시작하려면 [Amazon Rekognition Custom Labels 모델 시작(콘솔)](rm-start.md#rm-start-console) 항목을 참조하세요. ### 모델 시작 [StartProjectVersion을](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_StartProjectVersion) 직접 호출하여 모델을 시작합니다. 자세한 내용은 [Amazon Rekognition Custom Labels 모델 시작(SDK)](rm-start.md#rm-start-sdk) 단원을 참조하십시오. ## 이미지 분석 모델로 이미지를 분석하려면 `DetectCustomLabels` API를 사용합니다. 로컬 이미지 또는 S3 버킷에 저장된 이미지를 지정할 수 있습니다. 작업을 수행하려면 사용하려는 모델의 Amazon 리소스 이름(ARN)도 필요합니다. 모델이 객체, 장면, 개념을 찾은 경우 응답에는 이미지에서 찾은 이미지 수준 레이블 목록이 포함됩니다. 예를 들어 다음 이미지는 방** 예제 프로젝트를 사용하여 찾은 이미지 수준 레이블을 보여줍니다. ![벽난로, 갈색 소파, 안락의자, 커피 테이블, 아름다운 벽면 예술품이 있는 거실입니다. 야외 안뜰로 이어지는 문입니다.](http://docs.aws.amazon.com/ko_kr/rekognition/latest/customlabels-dg/images/rooms.jpg) 모델이 객체 위치를 찾은 경우 응답에는 이미지에서 찾은 레이블이 지정된 경계 상자 목록이 포함됩니다. 경계 상자는 이미지에서 객체의 위치를 나타냅니다. 테두리 상자 정보를 사용하여 객체 주위에 테두리 상자를 그릴 수 있습니다. 예를 들어, 다음 이미지는 회로판** 예제 프로젝트를 사용하여 찾은 회로판 부품 주위의 경계 상자를 보여줍니다. ![조절할 IR LED, 포토트랜지스터, 전위차계가 있는 회로 기판입니다.](http://docs.aws.amazon.com/ko_kr/rekognition/latest/customlabels-dg/images/circuitboardparts.jpg) 자세한 내용은 [훈련된 모델을 사용한 이미지 분석](detecting-custom-labels.md) 단원을 참조하십시오. ## 모델 중지 모델을 실행하는 시간만큼 요금이 부과됩니다. 모델을 더 이상 사용하지 않는 경우 Amazon Rekognition Custom Labels 콘솔을 사용하거나 `StopProjectVersion` API를 사용하여 모델을 중지하세요. 자세한 내용은 [Amazon Rekognition Custom Labels 모델 중지](rm-stop.md) 단원을 참조하십시오. ### 모델 중지(콘솔) 콘솔에서 실행 중인 모델을 중지하려면 [Amazon Rekognition Custom Labels 모델 중지(콘솔)](rm-stop.md#rm-stop-console) 항목을 참조하세요. ### 모델 중지(SDK) 실행 중인 모델을 중지하려면 [stopProjectVersion](https://docs.aws.amazon.com/rekognition/latest/APIReference/API_StopProjectVersion)을 직접 호출하세요. 자세한 내용은 [Amazon Rekognition Custom Labels 모델 중지(SDK)](rm-stop.md#rm-stop-sdk) 단원을 참조하십시오.