---
title: 예측 업로드하기
slug: api-guide/ko/SU1VStFUwykUwSoZWRwLv
docTags: 
createdAt: 2024-12-16T13:47:11.000Z
---

## 소개

이 예제에서는 API를 사용하여 이미 존재하는 데이터셋에 예측을 업로드하는 방법을 안내합니다.

시작하기 전에: [소개](docId\:D9O0MNSKSVqyYgvaeqypa)을 확인하고 [예측 형식](docId\:fjtlbG8mn3EPOHiQu_Dez)에 대해 알아보세요.

## 단계

새 Python 파일을 만들고 다음 라이브러리를 임포트하세요.

```python
import requests

from kognic.auth.requests.auth_session import RequestsAuthSession

base_url = "https://dataset.app.kognic.com/v1/"
client = RequestsAuthSession()
```

### 1. 데이터셋의 UUID 가져오기

도구에 접속하여 URL에서 `dataset/` 뒤에 오는 UUID를 복사하거나, 데이터셋 엔드포인트를 이용해 데이터셋의 uuid를 가져올 수 있습니다.

```python
client.session.get("https://dataset.app.kognic.com/v2/datasets")
```

### 2. 기존 예측 그룹의 UUID 가져오기 또는 새로 생성하기

### 2.a 기존 예측 그룹의 UUID 가져오기

예측을 업로드하려면 예측 그룹(prediction group)이 존재해야 합니다. 예측은 원하는 목적에 따라 그룹으로 구성할 수 있습니다. 기존 예측 그룹의 UUID는 URL에서 `predictions/` 뒤에서 확인하거나 다음 엔드포인트를 사용하여 확인할 수 있습니다.

```python
client.session.get(base_url + f"/datasets/{datasetUuid}/predictions-groups")
```

### 2.b 예측 그룹 생성하기 (선택 사항)

세그멘테이션 작업을 포함하지 않는 데이터셋의 경우, **앱에서 클릭하거나**(오른쪽 상단의 `Manage Predictions`를 클릭한 다음 `+ Create predictions group`) **또는 다음 코드 스니펫을 사용하여** 새 예측 그룹을 생성할 수 있습니다.

```python
path = base_url + f"/datasets/{datasetUuid}/predictions-groups"
body = {"name": "My predictions group", "description": "A description of my new predictions group"}
try:
    response = client.session.post(path, json=body)
    response.raise_for_status()
    response_json = response.json()
    print(f"Created predictions group with uuid {response_json['data']}")
except requests.exceptions.RequestException as e:
    msg = e.response.text
    print(f"Request error: {e}. {msg}")
```

**특수한 경우: 세그멘테이션 데이터셋**

세그멘테이션 데이터셋에 연결된 예측 그룹은 반드시 코드 스니펫을 사용하여 생성해야 하며, `classMapping`이라는 추가 파라미터도 필요합니다. 이 매핑은 예측과 어노테이션 간의 불일치를 계산할 때 사용되며, 정렬 방식과 갤러리에서 불일치가 표시되는 방식에도 영향을 줍니다. `classMapping` 파라미터는 딕셔너리 목록이며, 각 딕셔너리는 `annotated`와 `predicted` 키를 포함합니다. `annotated` 키는 어노테이션에서의 클래스 이름이고, `predicted` 키는 예측에서의 클래스 이름입니다. 예를 들어 여러 종류의 나무를 어노테이션했지만 나무인지 아닌지만 예측하는 경우 `{"annotated": "oak", "predicted": "tree"}`와 같이 사용합니다.

매핑이 필요하지 않더라도 예측과 어노테이션에 등장하는 모든 클래스 이름은 클래스 매핑에 포함되어야 합니다. 어노테이션에서 세그멘테이션되지 않은 영역은 클래스 이름 `_background`로 표시됩니다.

```python
example_body = {
    "name": "My predictions group",
    "description": "A description of my new predictions group",
    "classMapping": [
        {"annotated": "oak", "predicted": "tree"},
        {"annotated": "_background", "predicted": "not_tree"},
        {"annotated": "only_in_annotations"}
    ]
}
```

### 3. 예측 업로드하기

예측 수가 적다면 동기 호출(synchronous call)로도 충분할 수 있습니다.

```python
import requests

from kognic.auth.requests.auth_session import RequestsAuthSession

base_url = "https://dataset.app.kognic.com/v1/"
client = RequestsAuthSession()

predictions_group_uuid = "..."
openlabel_content = {"openlabel": ...}
data = {
    "sceneUuid": "...",
    "openlabelContent": openlabel_content,
}

try:
    response = client.session.post(
        base_url + f"predictions-groups/{predictions_group_uuid}/predictions",
        json=data
    )
    response.raise_for_status()
    response_json = response.json()
    print(f"Created prediction with uuid {response_json['data']}")
except requests.exceptions.RequestException as e:
    msg = e.response.text
    print(f"Request error: {e}. {msg}")
```

많은 양의 예측을 처리할 때는 비동기 호출을 사용하는 것이 좋습니다. 다음 예제는 `kognic-auth` 라이브러리의 비동기 클라이언트를 사용하여 100개의 비동기 호출을 수행합니다.

```python
import asyncio

from kognic.auth.httpx.async_client import HttpxAuthAsyncClient

base_url = "https://dataset.app.kognic.com/v1/"
predictions_group_uuid = "..."
url = base_url + f"predictions-groups/{predictions_group_uuid}/predictions"
openlabel_content = {"openlabel": ...}

MAX_CONNECTIONS = 10


async def upload_prediction(payload, session, sem):
    async with sem:
        response = await session.post(url, json=payload)
        response.raise_for_status()
        return response.json().get("data")


async def main(n_runs: int):
    client = HttpxAuthAsyncClient()
    session = await client.session

    sem = asyncio.Semaphore(MAX_CONNECTIONS)
    tasks = []
    for i in range(n_runs):
        payload = {"sceneUuid": "...", "openlabelContent": openlabel_content}
        task = upload_prediction(payload, session, sem)
        tasks.append(task)

    responses = await asyncio.gather(*tasks)
    await session.aclose()

    print(responses)


if __name__ == '__main__':
    asyncio.run(main(100))
```

`MAX_CONNECTIONS`를 10보다 크게 설정하면 제대로 작동하지 않을 수 있으므로 권장하지 않습니다.