diff --git a/yolo/args.yaml b/yolo/args.yaml
new file mode 100644
index 0000000..c5428a9
--- /dev/null
+++ b/yolo/args.yaml
@@ -0,0 +1,14 @@
+mosaic: 1.0  # 모자이크 증강 비율
+mixup: 0.0  # 믹스업 증강 비율
+erasing: 0.0  # 랜덤 지우기 비율
+crop_fraction: 1.0  # 크롭 비율 (전체 이미지 사용)
+hsv_h: 0.015  # Hue 변화 비율
+hsv_s: 0.7  # Saturation 변화 비율
+hsv_v: 0.4  # Value 변화 비율
+degrees: 5.0  # 회전 각도를 0.0에서 5.0으로 수정하여 데이터 다양화
+translate: 0.1  # 이동 비율 설정
+scale: 0.5  # 스케일 변화 비율 설정
+shear: 0.0  # 전단 변형 각도 설정
+perspective: 0.0  # 원근 변환 비율 설정
+flipud: 0.0  # 수직 반전 비율
+fliplr: 0.5  # 수평 반전 비율
diff --git a/yolo/train.py b/yolo/train.py
index 5cd19b2..22f6211 100644
--- a/yolo/train.py
+++ b/yolo/train.py
@@ -1,31 +1,38 @@
 from ultralytics import YOLO
 import torch
+import yaml
 
 # 모델 설정 정보
-yaml_path = "yolo11x-seg.yaml"  # 새로운 모델 설정을 위한 YAML 파일
-pretrained_weights = "yolo11x-seg.pt"  # 사전 훈련된 가중치 파일 경로
-transfer_weights = "yolo11x.pt"  # YAML 빌드 시 사용할 가중치 파일 경로
+yaml_path = "yolo11x-seg.yaml"  # 새로운 모델 설정을 위한 YAML 파일 경로
+pretrained_weights = "yolo11x-seg.pt"  # 사전 학습된 가중치 파일 경로
+transfer_weights = "yolo11x.pt"  # YAML로 모델을 생성할 때 사용할 가중치 파일 경로
 
-# 모델 빌드 또는 가중치 로드
-model = YOLO(yaml_path)  # YAML 파일로 새 모델 빌드
-model = YOLO(pretrained_weights)  # 사전 훈련된 모델 로드
-model = YOLO(yaml_path).load(transfer_weights)  # YAML로 빌드하고 가중치 로드
+# 증강기 설정 파일 불러오기
+augmenter_config_path = "./args.yaml"  # 데이터 증강 설정을 위한 YAML 파일 경로
+with open(augmenter_config_path, 'r') as file:
+    augmenter_args = yaml.safe_load(file)  # args.yaml 파일을 읽어서 설정 정보를 로드
 
-# 모델 훈련 설정
-data_path = "/data/ephemeral/home/jiwan/yolo/data.yaml"  # 데이터 설정 파일 경로
-epochs = 250
-imgsz = 1280
-batch_size = 4  # 추가한 batch_size 설정
+# 모델 생성 또는 가중치 로드
+model = YOLO(yaml_path).load(transfer_weights)
+
+# 모델 학습 설정
+data_path = "/data/ephemeral/home/jiwan/level2-cv-semanticsegmentation-cv-15-lv3/yolo/data.yaml"  # 데이터 구성 파일 경로
+epochs = 100  # 학습 반복 횟수
+imgsz = 2048  # 입력 이미지 크기
+batch_size = 1  # 배치 크기 설정
 
 # GPU 메모리 정리
 torch.cuda.empty_cache()
 
-# 모델 훈련 시작
+# 모델 학습 시작
+# args.yaml에서 불러온 설정을 반영하고, 중복된 'data' 키를 제거한 상태로 학습을 진행
 results = model.train(
-    data=data_path,
-    epochs=epochs,
-    imgsz=imgsz,
-    batch=batch_size
+    data=data_path,  # 데이터 경로 설정
+    epochs=epochs,  # 학습 반복 횟수 설정
+    imgsz=imgsz,  # 입력 이미지 크기 설정
+    batch=batch_size,  # 배치 크기 설정
+    augment=True,  # 데이터 증강을 사용하도록 설정
+    #**augmenter_args  # args.yaml에서 로드한 증강 설정 추가 적용 (data는 제거된 상태)
 )
 
-print("훈련이 완료되었습니다.")
+print("Training completed.")  # 학습 완료 메시지 출력