기존 버전의 AutoML Vision은 지원 중단되었으며 2024년 3월 31일 이후에는 Google Cloud에서 더 이상 사용할 수 없습니다. 기존 AutoML Vision의 모든 기능과 신규 기능은 Vertex AI 플랫폼에서 사용할 수 있습니다. 리소스를 마이그레이션하는 방법은 Vertex AI로 마이그레이션을 참조하세요.

콘솔에서 API를 사용하여 이미지 라벨 지정

빠른 시작에서는 다음과 같은 과정을 안내합니다.

라벨이 지정된 경계 상자가 있는 이미지의 데이터세트를 만듭니다.
데이터세트를 사용하여 커스텀 모델을 학습시킵니다.

이 빠른 시작에서는 커스텀 사용자 인터페이스(UI)를 사용하여 AutoML Vision API와 상호작용합니다. AutoML API를 사용하여 이 빠른 시작의 모든 단계를 완료할 수도 있습니다. UI 또는 API 사용에 대한 자세한 지침은 안내 가이드를 참조하세요.

시작하기 전에

리전 요구사항: 이 API를 사용하려면 현재 프로젝트 리소스가 us-central1 리전에 있어야 합니다.

AutoML Vision 객체 감지를 사용하려면 먼저 Google Cloud 프로젝트(다른 AutoML 제품과 함께 사용한 적이 없는 프로젝트)를 만들고 해당 프로젝트에 대해 AutoML Vision 객체 감지를 사용 설정해야 합니다.

Google Cloud 계정에 로그인합니다. Google Cloud를 처음 사용하는 경우 계정을 만들고 Google 제품의 실제 성능을 평가해 보세요. 신규 고객에게는 워크로드를 실행, 테스트, 배포하는 데 사용할 수 있는 $300의 무료 크레딧이 제공됩니다.

Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.

프로젝트 선택기로 이동

Google Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다.

API Cloud AutoML and Storage 사용 설정

API 사용 설정

Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.

프로젝트 선택기로 이동

Google Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다.

API Cloud AutoML and Storage 사용 설정

API 사용 설정

베타 요건

이 베타는 us-central1을 특정 리전으로 사용해야 합니다.

데이터세트 준비

이 빠른 시작에서는 Open Images 데이터세트 V4에서 만든 데이터세트를 사용합니다. 공개적으로 사용 가능한 샐러드 데이터세트가 gs://cloud-ml-data/img/openimage/csv/salads_ml_use.csv에 있습니다.

CSV 형식은 다음과 같습니다.

TRAINING,gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg,Salad,0.0,0.0954,,,0.977,0.957,,
VALIDATION,gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg,Seafood,0.0154,0.1538,,,1.0,0.802,,
TEST,gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg,Tomato,0.0,0.655,,,0.231,0.839,,

데이터세트 이미지 예시 — `3916261642_0a504acd60_o.jpg`

각 행은 큰 이미지 안에서 국지적인 객체에 해당하며 각 객체는 구체적으로 테스트, 학습 또는 유효성 검사 데이터로 지정됩니다. 여기에 포함된 세 줄은 gs://cloud-ml-data/img/openimage/3/2520/3916261642_0a504acd60_o.jpg에서 사용 가능한 동일 이미지 안에 있는 3개의 서로 다른 객체를 표시합니다. 각 행의 라벨은 Salad, Seafood, Tomato이며, Baked goods 또는 Cheese 라벨이 있는 다른 행과는 별개입니다.

왼쪽 상단 및 오른쪽 하단 꼭짓점을 사용하여 각 이미지의 경계 상자가 지정됩니다.

(0,0)은 맨 왼쪽 상단 꼭짓점에 해당합니다.
(1,1)은 맨 오른쪽 하단 꼭짓점에 해당합니다.

위에 표시된 첫 번째 행의 경우 Salad 라벨 객체의 왼쪽 상단 꼭짓점의 (x, y) 좌표는 (0.0,0.0954)이고 오른쪽 하단 꼭짓점 좌표는 (0.977,0.957)입니다.

CSV 파일의 형식 지정 방법 및 유효한 데이터세트 생성의 최소 요구사항에 대한 자세한 내용은 학습 데이터 준비를 참조하세요.

데이터세트 만들기 및 학습 이미지 가져오기

AutoML Vision 객체 감지 UI를 열고 제목 표시줄의 드롭다운 목록에서 프로젝트를 선택합니다.
아직 AutoML API를 사용 설정하지 않았다면 AutoML Vision 객체 감지 UI를 처음 열 때 이를 사용 설정해야 합니다.
메시지가 표시되면 팝업 창에서 시작하기를 선택합니다.
데이터세트 목록 페이지가 표시됩니다. 새 데이터세트를 선택하여 새 데이터세트를 만듭니다.
데이터세트의 고유한 이름을 입력합니다.
이어지는 창에서 가져올 학습 데이터 위치를 입력합니다.
Cloud Storage의 CSV 파일 선택 텍스트 상자에 샘플 CSV 파일의 경로를 입력합니다(gs:// 프리픽스는 자동으로 추가됨).
```
cloud-ml-data/img/openimage/csv/salads_ml_use.csv
```
또는 찾아보기를 선택하고 Google Cloud Storage 버킷 중 하나에 있는 CSV 파일로 이동할 수 있습니다.

이 빠른 시작에서는 공개 Google Cloud Storage 버킷에 저장된 샘플 데이터를 사용합니다. 학습 데이터는 모델이 식별할 수 있도록 학습시키려는 객체의 경계 상자 및 라벨이 포함된 주석 처리된 샘플 JPG 이미지입니다. 학습 데이터를 데이터세트로 가져오려면 이미지(JPEG, PNG, GIF, BMP, ICO) 파일을 가리키는 CSV 파일을 사용합니다. 형식 및 이미지 사양에 대한 자세한 내용은 학습 데이터 준비를 참조하세요.
가져오기를 선택합니다.
이미지를 가져오는 동안 데이터세트에 Running:importing images의 상태가 표시됩니다. 이 프로세스는 몇 분 정도 걸립니다.

학습 데이터를 성공적으로 가져왔으면 상태 열에 Success:Creating dataset가 표시되고, UI에는 데이터세트에 대해 생성된 ID(AutoML API 호출을 수행할 때 사용됨)와 가져온 항목 수가 표시됩니다.

이미지를 가져올 때 문제가 발생하면 Warning: Importing images가 상태로 표시됩니다. 데이터세트 이름 및 세부정보를 선택하여 특정 이미지 가져오기 오류를 확인합니다.

모델 학습

데이터 세트를 만들고 학습 데이터를 데이터 세트로 가져온 후 커스텀 모델을 학습시킬 수 있습니다.

데이터 세트 등록 페이지에서 데이터 세트 이름을 클릭합니다.
학습 탭을 선택합니다. 모든 라벨과 해당 분류가 학습, 테스트, 검증 세트로 표시됩니다.
학습 시작을 선택하여 학습 옵션이 포함된 측면 패널을 엽니다.
커스텀 모델의 이름을 입력하거나 기본 이름을 그대로 사용합니다. 이 패널에서 지연 시간 또는 정확성을 위한 모델 최적화를 선택할 수도 있습니다.

학습 후 노드에 모델 배포를 선택하여 자동 배포를 선택합니다. 그렇지 않으면 학습 후에 수동으로 모델을 배포해야 예측을 수행할 수 있습니다.
학습 시작을 선택합니다.

모델 학습이 완료되기까지 몇 시간 정도 걸릴 수 있습니다. 일반적으로 샘플 학습 시간은 약 1시간입니다.

모델 학습이 끝나면 프로그램에 가입할 때 사용한 이메일 주소로 메시지가 발송됩니다.

커스텀 모델 평가

모델을 학습시킨 후 AutoML Vision 객체 감지는 새 모델의 품질과 정확성을 평가합니다. 모델의 평가 측정항목을 보려면 다음 안내를 따르세요.

AutoML Vision 객체 감지 UI를 열고 왼쪽 탐색 메뉴에서 모델 탭(전구 아이콘이 있음)을 클릭합니다.
평가하려는 모델의 이름을 클릭합니다.
필요하면 제목 표시줄 아래에 있는 평가 탭을 클릭합니다.

모델 학습이 끝나면 AutoML Vision 객체 감지에 평가 측정항목이 표시됩니다. 서로 다른 점수 및 IoU(Intersection over Union) 기준에서 모델 전체 그리고 각 객체 라벨에 대한 정밀도 및 재현율 점수를 제공합니다. 특정 객체 라벨의 측정항목을 보려면 "필터 라벨" 목록에서 라벨을 선택합니다.

정밀도와 재현율은 모델이 정보를 얼마나 잘 포착하고 있는지와 정보를 얼마나 놓치고 있는지를 측정합니다. 정밀도는 특정 라벨로 주석이 달린 모든 객체 중에서 실제로 해당 라벨에 할당되어야 하는 객체가 몇 개인지를 나타냅니다. 재현율은 특정 항목으로 식별되어야 했던 모든 객체 중에서 실제로 해당 항목에 할당된 객체가 몇 개인지를 나타냅니다.

이 데이터를 사용하여 모델의 준비 상태를 평가합니다.

정밀도나 재현율이 낮다면 모델에 학습 데이터가 더 많이 필요한 경우일 수 있습니다.
정밀도와 재현율이 완벽하다면 데이터가 너무 쉬워서 일반화가 잘 되지 않는 경우일 수 있습니다.

커스텀 모델 사용

모델 학습이 끝난 후에는 커스텀 모델을 사용하여 경계 상자 및 라벨이 있는 이미지에서 객체를 식별할 수 있습니다. 테스트 및 사용 탭을 선택합니다.

자동 배포를 선택하지 않은 경우 예측을 실행하기 전에 모델을 배포하라는 메시지가 표시됩니다.

수동으로 모델 배포

AutoML Vision을 사용하려면 학습된 모델을 배포한 후에 모델에 예측 요청을 보낼 수 있습니다.

테스트 및 사용 탭에서 모델 이름 아래의 배너에서 모델 배포 옵션을 선택하여 모델을 직접 배포합니다.
모델 배포를 선택하면 모델 배포 옵션 창이 열립니다.
모델 배포 옵션 창에서 배포할 노드 수를 선택하고 사용 가능한 예측의 초당 쿼리 수(QPS)를 볼 수 있습니다.
모델 배포를 시작하려면 배포를 선택합니다.
모델 배포가 완료되면 이메일이 전송됩니다.