커스텀 이미지 분류기 학습을 위한 최고의 플랫폼

AI가 생성한 예시 검사 장면입니다. 타일은 시각적 명확성을 위해 선택한 Fabric Stain Dataset의 올바르게 분류된 테스트 사진 4개를 보여줍니다. 학습한 Ultralytics YOLO26s-cls 모델은 테스트 이미지 71개 중 65개를 올바르게 분류했으며, 여기에는 정상 이미지 11개 중 7개와 얼룩 이미지 60개 중 58개가 포함됩니다. 타일은 테스트 사진을 정사각형으로 크롭한 것입니다. 점수는 정확도가 아니라 모델 신뢰도를 나타냅니다.

커스텀 이미지 분류기를 학습하는 데 가장 적합한 플랫폼은 모델을 실행할 위치와 필요한 제어 수준에 따라 달라집니다. Amazon Rekognition Custom Labels, Gemini Enterprise Agent Platform의 AutoML(이전 Vertex AI AutoML), LandingLens, Ultralytics Platform과 같은 노코드 클라우드 플랫폼에서는 라벨이 지정된 이미지를 업로드하고 코드 없이 학습할 수 있습니다. Amazon SageMaker AI, Azure Machine Learning AutoML, Hugging Face Transformers와 같은 개발자 워크플로에서는 모델과 학습 작업을 더 세밀하게 제어할 수 있습니다. Edge Impulse와 같은 엣지 중심 도구는 소형 디바이스를 대상으로 하며, Teachable Machine은 브라우저에서 무료로 프로토타입을 제작할 수 있는 방법입니다.

플랫폼을 선택할 때는 서비스 상태가 중요합니다. Microsoft는 2028년 9월 25일에 Azure Custom Vision을 종료할 예정이며, Hugging Face AutoTrain은 더 이상 유지 관리되지 않습니다. Google은 Vertex AI AutoML을 이제 Gemini Enterprise Agent Platform의 AutoML이라고 부릅니다. 이 가이드에서는 이를 Google Cloud AutoML로 줄여 표기합니다.

이 가이드에서는 자체 라벨 이미지로 분류기를 학습하는 도구를 비교하고, 선택 방법을 설명하며, 도입을 결정하기 전에 분류기를 테스트하는 방법을 안내합니다. 모델 아키텍처 선택에 대해서는 이미지 분류 모델 비교를 참조하세요. 이미 보유한 모델을 서빙하는 방법은 컴퓨터 비전 추론 플랫폼 비교를 참조하세요. Ultralytics는 이 비교 자료를 작성했으며, 소개된 플랫폼 중 하나도 제공합니다.

비교 기준#

이미지 분류는 생산 라인의 부품에 "defective" 또는 "OK"를 붙이는 것처럼 전체 이미지에 하나 이상의 라벨을 지정합니다. 분류기 학습 플랫폼은 기능 목록보다 중요한 다섯 가지 측면에서 차이가 있습니다.

• 라벨: 단일 라벨(이미지당 클래스 하나) 또는 멀티 라벨(이미지당 여러 클래스)입니다. 모든 플랫폼이 두 방식을 모두 지원하는 것은 아닙니다.
• 제어: AutoML은 모델과 설정을 자동으로 선택하며, 개발자 플랫폼에서는 아키텍처, 이미지 크기 및 학습 설정을 직접 선택할 수 있습니다.
• 모델 실행 위치: 일부 플랫폼은 자체 클라우드에서만 모델을 서빙하지만, 다른 플랫폼에서는 모델을 내보내 자체 하드웨어에서 실행할 수 있습니다.
• 비용 모델: 학습 시간, 호스팅 시간 및 이미지별 예측 요금은 서로 다른 방식으로 누적됩니다. 계속 실행 상태를 유지해야 하는 모델은 학습 비용보다 더 많은 비용이 들 수 있습니다.
• 데이터 위치: 이미지가 저장되고 처리되는 위치로, 규제 대상 데이터에서는 특히 중요합니다.

이미지 분류기 학습 플랫폼 비교#

각기 다른 유형의 도구인 관리형 AutoML 서비스, 개발자 워크플로 및 브라우저 프로토타입을 비교합니다. 비용을 비교하기 전에 라벨 지원과 모델을 실행해야 하는 위치를 기준으로 후보를 추리고, 먼저 기존 사전 학습 모델로 요구 사항을 충족할 수 있는지 확인하세요.

플랫폼은 알파벳순으로 나열했습니다. 공급업체 문서는 2026년 11월 9일에 확인했으며, 이 자료는 기능 비교이지 직접 실행한 벤치마크가 아닙니다. 작은 화면에서는 표를 가로로 스크롤해 모든 열을 확인하세요.

요구 사항별 후보 플랫폼 예시입니다. 그룹은 서로 중복될 수 있습니다. 선택하기 전에 라벨 지원, 배포 권한 및 런타임 호환성을 확인하세요.

Ultralytics Platform은 이미지마다 클래스 하나를 지정하는 단일 라벨 분류기 학습을 지원합니다. 멀티 라벨 분류가 필요하다면 Azure Machine Learning AutoML 또는 Google Cloud AutoML을 고려하세요.

선택 방법#

가장 유연성이 낮은 결정부터 시작하세요.

코드 없이 관리형 API를 사용하고 싶습니다#

이미 사용 중인 클라우드의 AutoML 서비스를 선택하세요. AWS에서는 Amazon Rekognition Custom Labels를, Google Cloud에서는 Google Cloud AutoML을 사용하면 됩니다. 두 서비스 모두 모델과 설정을 대신 관리합니다. Rekognition Custom Labels는 모델이 시작된 시간마다 요금을 부과하므로 모델을 얼마나 오래 실행 상태로 유지해야 하는지 확인하세요. 이미지를 분석하지 않는 시간에도 요금이 부과됩니다.

자체 하드웨어에서 모델을 실행해야 합니다#

학습된 모델을 내보낼 수 있는 플랫폼을 선택하세요. Edge Impulse, Google Cloud AutoML(Edge 모델), Teachable Machine 및 Ultralytics Platform은 모델 내보내기를 지원합니다. 선택 전에 지원 런타임, 요금제 제한 및 라이선스 조건을 확인하세요. 공장 PC, 카메라 및 GPU에서는 내보낸 YOLO26 분류 모델을 ONNX, TensorRT 또는 OpenVINO로 실행할 수 있습니다. 마이크로컨트롤러에는 해당 디바이스 유형에 맞게 설계된 Edge Impulse가 적합합니다.

모델을 완전히 제어하고 싶습니다#

아키텍처와 학습 설정을 제어하려면 자체 학습 코드로 SageMaker를 사용하거나 PyTorch, TensorFlow, Keras, Hugging Face Transformers 또는 Ultralytics YOLO 패키지를 사용해 워크플로를 구성하세요. 각 라이브러리에서 지원하는 아키텍처를 확인하세요. Azure Machine Learning AutoML과 같은 AutoML 도구는 지원되는 모델과 설정 범위 내에서 제어 기능을 제공합니다. 어느 쪽이든 추가 설정이 필요합니다.

Azure Custom Vision에서 전환 중입니다#

Microsoft는 기존 고객을 2028년 9월 25일까지 전면 지원하며, 커스텀 분류를 위해 Azure Machine Learning AutoML을 권장합니다. 전환하려면 이미지와 태그 할당을 내보내고, 사용하던 여러 라벨을 유지한 다음, 다시 학습하기 전에 새 플랫폼의 가져오기 형식으로 변환하세요.

학습 또는 프로토타이핑을 진행 중입니다#

Teachable Machine은 무료이며 브라우저에서 학습할 수 있어 전체 데이터셋을 수집하기 전에 클래스가 서로 구분되는지 테스트하기에 적합합니다.

도입을 결정하기 전에 분류기를 확인하는 방법#

플랫폼의 데모 정확도는 자체 이미지에서의 성능을 거의 알려주지 않습니다. 후보로 선정한 각 플랫폼에서 다음과 같은 간단한 테스트를 동일하게 실행하세요.

1. 학습, 검증 및 테스트 세트를 분리하세요. 모델이 운영 환경에서 접하게 될 카메라와 조건에서 테스트 이미지를 가져오고, 거의 동일한 이미지와 같은 촬영 시퀀스의 이미지는 같은 세트에 포함하세요.
2. 기준 모델을 학습하세요. 각 플랫폼의 기본 설정을 사용해 동일한 학습 이미지로 기준 모델을 학습하고, 컴퓨팅 리소스, 학습 예산 또는 이미지 크기 제한을 기록하세요.
3. 검증 세트를 사용해 선택하세요. 클래스별 정밀도, 재현율 및 혼동 행렬을 비교하고, 사용할 하드웨어에서의 속도도 확인한 다음 여기서 임계값을 설정하세요.
4. 최종 선택을 한 번 테스트하세요. 손대지 않은 테스트 세트에서 단일 라벨 분류기는 top-1 정확도를, 멀티 라벨 분류기는 각 라벨의 정밀도, 재현율 및 F1을 확인하세요.
5. 전체 비용을 확인하세요. 예상 사용량에 따른 학습 비용과 호스팅 또는 예측 요금을 모두 확인하세요.
6. 종료 시의 조건을 확인하세요. 학습된 모델을 다운로드할 수 있는지, 어떤 형식으로 제공되는지, 어떤 라이선스가 적용되는지 확인하세요.

모든 플랫폼에서 동일한 이미지, 라벨 및 데이터 분할을 사용하고 각 플랫폼의 가져오기 형식으로 변환하세요. 선택 사항인 예시로, Ultralytics YOLO를 사용한 최종 테스트는 다음과 같습니다.

from ultralytics import YOLO

model = YOLO("yolo26n-cls.pt")  # pretrained on ImageNet
model.train(data="path/to/dataset", epochs=50, imgsz=224)  # dataset/train/<class>/, dataset/val/<class>/

metrics = model.val(split="test")  # dataset/test/<class>/, never used in training (needs its own test folder)
print(f"top-1 accuracy: {metrics.top1:.3f}, top-5 accuracy: {metrics.top5:.3f}")

폴더 구조는 분류 데이터셋 형식을, 분류 예시는 Classify 문서를, 모든 학습 옵션은 학습 설정을 참조하세요. train, val 및 test 폴더를 분리하세요. test 폴더가 없으면 최종 확인에 검증 이미지가 대신 사용됩니다.

Ultralytics를 활용할 수 있는 영역#

Ultralytics는 단일 라벨 분류기 학습 및 내보내기를 지원합니다. 선택하기 전에 자체 데이터에서 성능을 비교하세요.

• 클라우드 또는 로컬에서 학습하세요. Ultralytics Platform에서는 브라우저에서 클라우드 GPU를 사용해 YOLO26 분류기를 학습할 수 있으며, 오픈 소스 ultralytics Python 패키지로는 동일한 모델을 자체 머신에서 학습할 수 있습니다.
• 하나의 워크플로에서 데이터를 준비하고 학습하세요. 클래스별 폴더로 구성된 데이터셋을 Platform 데이터셋 안내에 따라 가져와 라벨과 데이터 분할을 검토한 다음 Ultralytics Platform에서 학습하세요.
• 필요한 환경에서 모델을 실행하세요. ONNX, TensorRT, CoreML, LiteRT 및 기타 형식으로 내보내거나 Platform 엔드포인트에 배포하세요.
• 제한 사항을 확인하세요. 분류기는 단일 라벨 방식입니다. Platform 엔드포인트는 CPU에서 실행되므로 대량의 GPU 서빙은 자체 하드웨어나 다른 클라우드에서 처리하는 것이 더 적합합니다. Ultralytics는 AGPL-3.0 및 Enterprise 라이선스를 제공합니다. AGPL-3.0 의무를 충족할 수 없는 독점 배포에는 Enterprise License가 필요합니다.