개요

이 실습에서는 Cloud Storage에 이미지를 업로드하고, 업로드한 이미지를 사용하여 커스텀 모델을 학습시켜 서로 다른 유형의 구름(적운, 적란운)을 인식하도록 합니다.

학습 내용

이 실습에서는 다음 작업을 수행하는 방법을 알아봅니다.

• Cloud Storage에 라벨이 지정된 데이터 세트를 업로드하고 CSV 라벨 파일을 사용하여 데이터 세트를 AutoML Vision에 연결
• AutoML Vision으로 모델을 학습시키고 정확성 평가
• 학습된 모델로 예측 생성

환경 설정

실습 설정

각 실습에서는 정해진 기간 동안 새 Google Cloud 프로젝트와 리소스 집합이 무료로 제공됩니다.

1. 시크릿 창을 사용하여 Qwiklabs에 로그인합니다.

2. 실습 사용 가능 시간(예: 1:15:00)을 참고하여 해당 시간 내에 완료합니다.
   일시중지 기능은 없습니다. 필요한 경우 다시 시작할 수 있지만 처음부터 시작해야 합니다.

3. 준비가 되면 실습 시작을 클릭합니다.

4. 실습 사용자 인증 정보(사용자 이름 및 비밀번호)를 기록해 두세요. Google Cloud Console에 로그인합니다.

5. Google Console 열기를 클릭합니다.

6. 다른 계정 사용을 클릭한 다음, 안내 메시지에 이 실습에 대한 사용자 인증 정보를 복사하여 붙여넣습니다.
   다른 사용자 인증 정보를 사용하는 경우 오류가 발생하거나 요금이 부과됩니다.

7. 약관에 동의하고 리소스 복구 페이지를 건너뜁니다.

작업 1. AutoML Vision 설정하기

AutoML Vision은 이미지 분류 모델을 학습시키고 그 모델에서 예측을 생성하는 모든 단계의 인터페이스를 제공합니다. AutoML API를 사용 설정하여 시작합니다.

탐색 메뉴를 열고 API 및 서비스 > 라이브러리를 선택합니다. 검색창에 'Cloud AutoML API'를 입력합니다. Cloud AutoML API 결과를 클릭한 다음 사용 설정을 클릭합니다.

시간이 조금 걸릴 수 있습니다. 이제 다음 페이지가 표시됩니다. 활성화 상태가 사용 설정됨인지 확인합니다.

마찬가지로 검색창에 'Vertex AI API'를 입력합니다. Vertex AI API 결과를 클릭한 다음 사용 설정을 클릭합니다.

학습 데이터를 위한 Cloud Storage 버킷 만들기

1. GCP 콘솔 제목 표시줄에서 Cloud Shell 활성화()를 클릭합니다.
2. 확인 메시지가 표시되면 계속을 클릭합니다.

Cloud Shell에서 아래 명령어를 붙여넣어 학습 데이터를 담을 새 버킷을 만듭니다. 현재 프로젝트를 인식할 수 있는 근사한 변수인 $DEVSHELL_PROJECT_ID를 사용하고 맨 끝에 -vcm을 추가하기만 하면 됩니다.

3. Cloud Shell에서 아래 명령어를 실행합니다.

gsutil mb -p $DEVSHELL_PROJECT_ID \ -c regional \ -l us-central1 \ gs://$DEVSHELL_PROJECT_ID-vcm/

추가 단계를 진행할 수 있도록 Cloud Shell 창은 계속 열어둡니다.

4. 클릭하여 새 브라우저 탭에서 AutoML UI를 엽니다.

API가 확인되면 AutoML Vision 데이터 세트 페이지가 열립니다.

작업 2. Cloud Storage에 학습용 이미지 업로드하기

구름 이미지를 분류하도록 모델을 학습시키려면 라벨이 지정된 학습 데이터를 제공해야 합니다. 이렇게 해야 모델이 서로 다른 유형의 구름과 연관된 이미지 특징을 파악할 수 있습니다. 이 예시에서 모델은 권운, 적운, 적란운의 세 가지 구름 유형을 분류하도록 학습됩니다. AutoML Vision을 사용하려면 Cloud Storage에 학습용 이미지가 있어야 합니다.

1. Cloud 콘솔에서 탐색 메뉴를 열고 Cloud Storage > 브라우저를 선택합니다.

지난 단계에서 만든 버킷이 표시됩니다.

2. 학습용 이미지는 Cloud Storage 버킷에서 공개 상태로 제공됩니다. Cloud Storage에서 이미지를 복사하고 보관 파일에서 콘텐츠를 추출하려면 다음 명령어를 실행합니다.

gcloud storage cp gs://cloud-training/automl-lab-clouds/automl-lab-clouds.zip . && unzip automl-lab-clouds && rm automl-lab-clouds.zip

3. Cloud Storage용 gcloud storage 명령줄 유틸리티를 사용하여 학습용 이미지를 버킷에 복사합니다.

gcloud storage cp -r automl-lab-clouds/* gs://$DEVSHELL_PROJECT_ID-vcm/

4. 복사를 마치면 CSV 파일과 이미지를 제공한 세 가지 유형의 구름이 표시됩니다.

gsutil ls gs://$DEVSHELL_PROJECT_ID-vcm/

선택사항: Cloud Storage 콘솔 UI를 사용하여 이미지 보기

1. 이미지 복사가 끝나면 Cloud Storage 브라우저 상단의 새로고침 버튼을 클릭합니다.
2. 그런 다음 버킷 이름을 클릭합니다. data.csv 파일과 세 가지 유형의 구름이 각각 분류될 사진 폴더 세 개가 표시됩니다.

각 폴더의 이미지 파일을 클릭하고 URL이 표시될 때 한 번 더 클릭하면 각 구름 유형을 모델에 학습시킬 때 사용할 사진이 표시됩니다.

작업 3. AutoML Vision 학습 데이터 세트 만들기

이제 Cloud Storage에 학습 데이터가 있으므로 AutoML Vision이 데이터에 액세스할 방법을 찾아야 합니다. 각 행에 학습용 이미지의 URL과 그 이미지의 관련 라벨이 있는 CSV 파일을 만듭니다. 이 CSV 파일은 이미 만들어져 있으므로 버킷 이름으로 업데이트하기만 하면 됩니다.

1. 다음 작업을 수행하는 명령어를 실행합니다.

• Cloud Shell 인스턴스에 템플릿 파일을 복사합니다.
• 프로젝트의 파일로 CSV를 업데이트합니다.
• 업데이트된 CSV 파일을 Cloud Storage 버킷에 업로드합니다.
• 버킷을 표시하여 data.csv 파일이 있는지 확인합니다.

gsutil cp gs://cloud-training/automl-lab-clouds/data.csv . head --lines=10 data.csv sed -i -e "s/placeholder/$DEVSHELL_PROJECT_ID-vcm/g" ./data.csv head --lines=10 data.csv gsutil cp ./data.csv gs://$DEVSHELL_PROJECT_ID-vcm/ gsutil ls gs://$DEVSHELL_PROJECT_ID-vcm/

2. 버킷의 모든 폴더와 파일을 보고 다음과 같이 gsutil ls에 와일드 카드를 추가할 수 있습니다.

gsutil ls gs://$DEVSHELL_PROJECT_ID-vcm/*

3. 데이터 파일의 위치를 강조 표시하여 클립보드에 복사합니다. 다음과 유사한 모습입니다. gs://qwiklabs-gcp-your-project-id-will-be-here-vcm/data.csv

4. 클릭하여 AutoML Vision 데이터 세트 페이지를 엽니다.

5. Cloud 콘솔 상단에서 데이터 세트 만들기를 클릭합니다.

6. 데이터 세트 이름에 clouds를 입력합니다.

7. 단일 라벨 분류를 선택합니다.

8. 계속하려면 만들기를 클릭합니다.

다음 화면에서 이전 단계에서 업로드한 학습용 이미지의 위치를 선택합니다.

9. Cloud Storage에서 가져오기 파일 선택을 선택하고 이전 단계의 클립보드에 있는 파일의 URL에 파일 이름을 추가합니다. 찾아보기 기능으로 csv 파일을 찾을 수도 있습니다. 녹색 체크박스에 흰색이 보이면 계속을 선택하여 진행합니다.

10. 가져오기가 완료되면 찾아보기 탭을 클릭하여 데이터 세트의 이미지를 표시합니다.

• 이미지 메타데이터가 처리되는 데 8~12분 정도 걸립니다. 화면에 '실행 중: 이미지 가져오기'가 표시됩니다.
• 완료되면 이미지가 카테고리별로 표시됩니다.

작업 4. 이미지 검사하기

1. 다음으로 이미지를 간단하게 검토합니다.

2. 왼쪽 메뉴에서 라벨을 필터링하여(예: 적운 클릭) 학습용 이미지를 검토합니다.

참고: 프로덕션 모델을 빌드하는 경우 높은 정확성을 위해 라벨당 최소 100장의 이미지가 있어야 합니다. 이 실습은 데모이므로 모델을 빠르게 학습시킬 수 있도록 유형당 이미지를 20장만 사용했습니다.

3. 라벨이 잘못 지정된 이미지가 있으면 이미지를 클릭하여 라벨을 변경하거나 학습 세트에서 이미지를 삭제할 수 있습니다.

참고: 아직 라벨이 지정되지 않은 데이터 세트로 작업하는 경우 AutoML Vision은 자체 수동 라벨링 서비스를 제공합니다.

작업 5. 모델 학습시키기

이제 모델을 학습시킬 수 있습니다. AutoML Vision에서는 별도의 모델 코드를 작성할 필요 없이 모델 학습을 자동으로 처리합니다.

1. 구름 모델을 학습시키려면 오른쪽 창에서 새 모델 학습을 클릭합니다.

2. 학습 방법 창에서 학습 방법으로 AutoML을 선택하고 모델을 사용할 위치 선택에서 Cloud를 선택된 상태로 둡니다.

3. 계속을 클릭합니다.

4. 모델의 이름을 입력하거나 자동으로 생성된 기본 이름을 사용하고 계속을 클릭합니다.

5. 학습 옵션 창에서 계속을 클릭합니다.

6. 컴퓨팅 및 가격 책정 창에서 예산을 8시간의 최대 노드 시간으로 설정합니다.

7. 학습 시작을 클릭합니다.

참고: 이 커스텀 모델은 학습시키는 데 1시간 이상 걸릴 수 있습니다(평균 55~90분). 총 학습 시간에는 노드 학습 시간과 인프라 설정 및 삭제 시간도 포함됩니다. 실습에서 전체 크레딧을 받기 위해 학습이 끝날 때까지 기다릴 필요는 없습니다. 아래의 '평가' 및 '예측' 작업에서 스크린샷을 검토하면 됩니다.

작업 6. 모델 평가하기

1. 학습이 완료되면 평가 탭을 선택합니다. 여기에 모델 정밀도와 재현율에 관한 정보가 표시됩니다. 다음과 유사합니다.

2. 신뢰 기준점 슬라이더를 조정하여 영향을 확인할 수도 있습니다.

3. 마지막으로 아래로 스크롤하여 혼동 행렬을 살펴봅니다.

이 탭에서는 모델 정확성을 평가하기 위한 일반적인 머신러닝 측정항목을 제공하고, 학습 데이터를 개선할 수 있는 영역을 확인할 수 있습니다. 이 실습의 주안점은 정확성이 아니므로 예측에 관한 다음 섹션으로 진행합니다. 원한다면 정확성 측정항목을 직접 살펴보세요.

작업 7. 엔드포인트에 배포

1. 왼쪽의 Vertex AI 탐색 메뉴에서 Models Registry를 선택합니다.

2. 방금 만든 모델(damaged-car-part-model)을 클릭한 다음 버전 ID를 클릭합니다.

3. 배포 및 테스트 탭을 클릭하고 엔드포인트에 배포를 클릭합니다.

4. 이름으로 damaged-car-part-model-endpoint를 사용합니다. 계속을 클릭합니다.

5. 트래픽 분할 및 로깅은 기본값으로 유지하고 컴퓨팅 노드 수를 1로 설정합니다.

6. 완료를 클릭합니다. 그런 다음 배포를 클릭합니다.

작업 8. 예측 생성하기

이제 가장 중요한 부분입니다. 학습된 모델에서 아직 본 적 없는 데이터를 사용하여 예측을 생성하는 작업입니다.

예측을 생성하는 방법에는 몇 가지가 있습니다. 이 실습에서는 UI를 사용하여 이미지를 업로드합니다. 모델이 두 장의 이미지(첫째는 권운, 둘째는 적란운)를 어떻게 분류하는지 보게 됩니다.

1. 먼저 이 이미지를 각각 마우스 오른쪽 버튼으로 클릭하여 로컬 머신에 다운로드합니다. (참고: 업로드가 용이하도록 'image1', 'image2'와 같이 단순한 이름을 지정하는 것이 좋습니다.)

2. AutoML UI에서 배포 및 테스트 탭으로 이동합니다.\

3. 새로 배포된 엔드포인트 아래의 모델 테스트에서 이미지 업로드 버튼을 클릭합니다.

4. 안내 메시지에 따라 조금 전에 로컬 디스크에 저장한 샘플 이미지를 선택하고 업로드합니다. 예측 요청이 완료되면 다음과 같이 표시됩니다.

예측 요청이 완료되면 다음과 같이 표시됩니다.

훌륭합니다. 모델이 각 구름 유형을 올바르게 분류했습니다.

축하합니다

지금까지 커스텀 머신러닝 모델을 학습시키고 모델에서 웹 UI를 통해 예측을 생성하는 방법을 배웠습니다. 이제 직접 준비한 이미지 데이터 세트를 활용하여 모델을 학습시킬 수 있습니다.

배운 내용

• Cloud Storage에 학습용 이미지를 업로드하고 AutoML Vision이 이미지를 찾도록 CSV를 만드는 방법
• AutoML Vision UI에서 라벨을 검토하고 모델을 학습시키는 방법
• 새로운 구름 이미지에 관한 예측을 생성하는 방법

실습 종료하기

실습을 완료하면 실습 종료를 클릭합니다. Google Cloud Skills Boost에서 사용된 리소스를 자동으로 삭제하고 계정을 지웁니다.

실습 경험을 평가할 수 있습니다. 해당하는 별표 수를 선택하고 의견을 입력한 후 제출을 클릭합니다.

별점의 의미는 다음과 같습니다.

• 별표 1개 = 매우 불만족
• 별표 2개 = 불만족
• 별표 3개 = 중간
• 별표 4개 = 만족
• 별표 5개 = 매우 만족

의견을 제공하고 싶지 않다면 대화상자를 닫으면 됩니다.

의견이나 제안 또는 수정할 사항이 있다면 지원 탭을 사용하세요.

Copyright 2026 Google LLC All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.