기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # 어댑터 생성 및 사용 어댑터는 기존 Rekognition 딥 러닝 모델에 추가할 수 있는 모듈식 구성 요소로, 훈련 대상 작업에 맞게 기능을 확장합니다. 어댑터로 딥 러닝 모델을 훈련시키면 특정 사용 사례와 관련된 이미지 분석 작업의 정확도를 높일 수 있습니다. 어댑터를 만들고 사용하려면 Rekognition에 훈련 및 테스트 데이터를 제공해야 합니다. 다음 두 가지 중 하나의 방법으로 이 작업을 수행할 수 있습니다. + 대량 분석 및 검증 - Rekognition에서 분석하고 레이블을 할당할 이미지를 대량으로 분석하여 훈련 데이터 세트를 생성할 수 있습니다. 그런 다음 이미지에 대해 생성된 주석을 검토하고 예측을 확인하거나 수정할 수 있습니다. 이미지 대량 분석 작동 방식에 대한 자세한 내용은 [대량 분석](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html)을 참조하세요. + 수동 주석 - 이 접근 방식을 사용하면 이미지를 업로드하고 주석을 달아 훈련 데이터를 만들 수 있습니다. 이미지를 업로드하고 주석을 달거나 자동 분할하여 테스트 데이터를 생성합니다. 자세히 알아보려면 다음 주제 중 하나를 선택하세요. **Topics** + [대량 분석 및 검증](adapters-bulk-analysis.md) + [수동 주석](adapters-manual-annotation.md) # 대량 분석 및 검증 이 방법을 사용하면 훈련 데이터로 사용할 이미지를 대량으로 업로드한 다음 이미지에 레이블을 자동으로 할당하는 Rekognition을 사용하여 이미지에 대한 예측을 가져옵니다. 이러한 예측을 어댑터의 시작점으로 사용할 수 있습니다. 예측의 정확성을 확인한 다음 검증된 예측을 기반으로 어댑터를 훈련시킬 수 있습니다. 콘솔을 사용하여이 작업을 수행할 수 있습니다 AWS . 다음 동영상에서는 Rekognition의 대량 분석 기능을 사용하여 대량의 이미지에 대한 예측을 얻고 확인한 다음 이러한 예측으로 어댑터를 훈련하는 방법을 보여줍니다. [![AWS Videos](http://img.youtube.com/vi/https://www.youtube.com/embed/IGGMHPnPZLs?si=5eoidzFPbL6i5FfY/0.jpg)](http://www.youtube.com/watch?v=https://www.youtube.com/embed/IGGMHPnPZLs?si=5eoidzFPbL6i5FfY) ## 대량 분석을 위한 이미지 업로드 어댑터용 훈련 데이터 세트를 생성하려면 Rekognition에서 레이블을 예측할 이미지를 대량으로 업로드하세요. 최상의 결과를 얻으려면 최대 한도인 10,000개까지 훈련용 이미지를 최대한 많이 제공하고 이미지가 여러분의 사용 사례의 모든 면을 반영하는지 확인하세요. AWS 콘솔을 사용하는 경우 컴퓨터에서 직접 이미지를 업로드하거나 이미지를 저장하는 Amazon Simple Storage Service 버킷을 제공할 수 있습니다. 하지만 Rekognition API를 SDK와 함께 사용하는 경우 Amazon Simple Storage Service 버킷에 저장된 이미지를 참조하는 매니페스트 파일을 제공해야 합니다. 자세한 내용은 [대량 분석](https://docs.aws.amazon.com/rekognition/latest/dg/bulk-analysis.html)을 참조하세요. ## 예측 검토 Rekognition 콘솔에 이미지 업로드를 완료하면 Rekognition에서 이미지에 대한 레이블을 생성합니다. 그런 다음 예측을 true positive, false positive, true negative, false negative의 카테고리 중 하나로 검증할 수 있습니다. 예측을 검증한 후 이 피드백을 기반으로 어댑터를 훈련시킬 수 있습니다. ## 어댑터 훈련 대량 분석에서 반환된 예측의 검증을 마치면 어댑터 훈련 프로세스를 시작할 수 있습니다. ## AdapterId 가져오기 어댑터 훈련이 완료되면 Rekognition의 이미지 분석 API와 함께 사용할 어댑터의 고유 ID를 얻을 수 있습니다. ## API 작업 직접 호출 사용자 지정 어댑터를 적용하려면 어댑터를 지원하는 이미지 분석 API 중 하나를 직접 호출할 때 해당 ID를 제공하세요. 이렇게 하면 이미지에 대한 예측의 정확도가 향상됩니다. # 수동 주석 이 접근 방식에서는 수동으로 이미지를 업로드하고 주석을 달아 훈련 데이터를 만듭니다. 테스트 이미지를 업로드하고 주석을 달거나 Rekognition이 자동으로 훈련 데이터의 일부를 테스트 이미지로 사용하도록 자동 분할하여 테스트 데이터를 생성합니다. ## 이미지 업로드 및 주석 달기 어댑터를 훈련시키려면 사용 사례를 반영하는 샘플 이미지 세트를 업로드해야 합니다. 최상의 결과를 얻으려면 최대 한도인 10,000개까지 훈련용 이미지를 최대한 많이 제공하고 이미지가 여러분의 사용 사례의 모든 면을 반영하는지 확인하세요. ![\[매니페스트 파일을 가져오거나, S3 버킷에서 가져오거나, 컴퓨터에서 이미지를 업로드하는 옵션과 함께 훈련 이미지를 가져오는 옵션을 보여주는 인터페이스입니다. S3 URI 필드와 읽기/쓰기 권한 보장에 대한 참고 사항이 포함되어 있습니다.\]](http://docs.aws.amazon.com/ko_kr/rekognition/latest/dg/images/adapters-11-traiing-dataset.png) AWS 콘솔을 사용할 때 컴퓨터에서 직접 이미지를 업로드하거나, 매니페스트 파일을 제공하거나, 이미지를 저장하는 Amazon S3 버킷을 제공할 수 있습니다. 하지만 Rekognition API를 SDK와 함께 사용하는 경우 Amazon S3 버킷에 저장된 이미지를 참조하는 매니페스트 파일을 제공해야 합니다. [Rekognition 콘솔](https://console.aws.amazon.com/rekognition)의 주석 인터페이스를 사용하여 이미지에 주석을 달 수 있습니다. 이미지에 레이블로 태그를 지정해 주석을 달면 훈련에 필요한 “실측 정보”가 확립됩니다. 또한 어댑터를 훈련시키기 전에 반드시 훈련 및 테스트 세트를 지정하거나 자동 분할 기능을 사용해야 합니다. 데이터 세트를 지정하고 이미지에 주석 달기를 완료했다면 테스트 세트의 주석이 달린 이미지를 기반으로 어댑터를 생성할 수 있습니다. 그 후 어댑터의 성능을 평가할 수 있습니다. ## 테스트 세트 생성 주석이 달린 테스트 세트를 제공하거나 자동 분할 기능을 사용해야 합니다. 훈련 세트는 어댑터를 실제로 훈련시키는 데 사용됩니다. 어댑터는 주석이 달린 이미지에 포함된 패턴을 학습합니다. 테스트 세트는 어댑터를 최종 완성하기 전에 모델의 성능을 평가하는 데 사용됩니다. ## 어댑터 훈련 훈련 데이터에 주석을 달거나 매니페스트 파일을 제공한 후에는 어댑터에 대한 훈련 프로세스를 시작할 수 있습니다. ## 어댑터 ID 가져오기 어댑터 훈련이 완료되면 Rekognition의 이미지 분석 API와 함께 사용할 어댑터의 고유 ID를 얻을 수 있습니다. ## API 작업 직접 호출 사용자 지정 어댑터를 적용하려면 어댑터를 지원하는 이미지 분석 API 중 하나를 직접 호출할 때 해당 ID를 제공하세요. 이렇게 하면 이미지에 대한 예측의 정확도가 향상됩니다.