폴리곤 어노테이션이 무엇인지, 이를 통해 어떻게 정밀한 객체 분할이 가능한지, 그리고 Ultralytics 사용하여 어노테이션을 간편하게 생성하는 방법을 알아보세요.
폴리곤 어노테이션이 무엇인지, 이를 통해 어떻게 정밀한 객체 분할이 가능한지, 그리고 Ultralytics 사용하여 어노테이션을 간편하게 생성하는 방법을 알아보세요.
최첨단 AI 기술이 자율 주행에서 정밀 농업에 이르기까지 다양한 산업 분야에 도입되고 있습니다. 예를 들어, 낙농가들은 AI와 영상 분석 기술을 활용해 소의 detect 있습니다. 등 굽힘이나 비대칭적인 움직임과 같은 동물의 보행 및 자세 변화를 관찰함으로써, 절름거림과 같은 건강 문제를 모니터링할 수 있습니다.
인공지능의 한 분야인 컴퓨터 비전은 기계가 시각 데이터를 해석하고 분석할 수 있게 함으로써 이러한 응용 프로그램을 가능하게 합니다. 특히, 인스턴스 분할은 이미지 내의 각 물체를 픽셀 단위로 식별하고 분할하는 컴퓨터 비전 작업으로, 개별 동물을 정밀하게 detect 분석할 수 있게 해줍니다.
이 과정에서 폴리곤 주석 작업은 핵심적인 역할을 합니다. 이는 이미지에 있는 물체의 가장자리를 따라 점을 배치하여 물체의 정확한 모양을 세밀하게 추적하는 데이터 주석 기법입니다. 단순한 바운딩 박스 주석과 달리, 이 방식은 물체의 실제 윤곽을 따르기 때문에 더 정밀한 훈련 데이터를 생성하는 데 도움이 되며, 비전 AI 모델이 물체의 경계를 더 잘 이해할 수 있도록 합니다.
요즘에는 다각형 주석을 생성할 수 있는 도구가 많이 나와 있습니다. 하지만 이러한 도구들은 종종 단편적으로 느껴지기도 하는데, 특히 다양한 유형의 주석에 대해 일관성 없는 지원이나 제한적인 기능만을 제공할 경우, 단일 워크플로우 내에서 다양한 라벨링 요구 사항을 관리하기가 더 어려워집니다.
데이터셋 관리, 라벨링, 훈련, 배포 및 모니터링 간의 격차를 해소하는 당사의 새로운 엔드투엔드 비전 AI 작업 공간인 Ultralytics 하나의 원활한 작업 공간 내에서 다양한 라벨링 유형과 AI 지원 워크플로를 지원함으로써 이 문제를 해결하고, 전체 라벨링 프로세스를 간소화합니다.
이 글에서는 다각형 주석이 무엇인지, 그리고 Ultralytics 사용하여 이를 생성하는 방법을 살펴보겠습니다. 시작해 볼까요!
Ultralytics 그 폴리곤 주석 기능을 자세히 살펴보기 전에, 잠시 한 걸음 물러서서 폴리곤 주석이 무엇인지 먼저 이해해 봅시다.
이미지 주석 달기는 AI 모델이 시각적 데이터를 이해할 수 있도록 라벨을 추가하는 과정입니다. 일반적으로 이미지 내의 물체를 식별하고, 모델이 이를 학습할 수 있도록 표시하는 작업을 포함합니다.
가장 일반적인 방법 중 하나는 객체 주위에 직사각형 상자를 그리는 것으로, 이를 ‘바운딩 박스’라고 합니다. 하지만 바운딩 박스는 객체의 대략적인 윤곽만 보여줄 뿐입니다. 다각형 주석 표시는 보다 정밀한 방법입니다.
이 방식은 물체를 상자 안에 가두는 대신, 점 하나하나를 따라 물체의 윤곽을 그리는 방식으로 작동합니다. 이를 위해 주석 작성자는 물체의 가장자리를 따라 여러 개의 꼭짓점(점)을 배치하여, 전체 모양이 모두 덮일 때까지 윤곽을 따라 그립니다.
이렇게 연결된 점들은 대상물의 자연스러운 윤곽을 그대로 반영하는 다각형을 형성합니다. 이 모양이 대상물의 경계를 밀착하여 따라가므로, 이 주석 기능은 기존의 라벨링 방식에서는 종종 놓치기 쉬운 세부 사항까지 포착합니다. 이는 잎사귀, 사람의 실루엣, 서로 겹쳐진 물체 등 불규칙한 모양이나 복잡한 가장자리를 가진 대상물을 다룰 때 특히 유용합니다.
이러한 데이터의 정밀도는 모델 훈련 과정에서 머신러닝 모델이 더 효과적으로 학습하는 데 도움이 됩니다. 주석이 객체의 실제 경계를 정확하게 포착할 때, 모델은 픽셀 수준에서 객체의 패턴을 더 잘 이해할 수 있습니다. 이는 특히 높은 정확도가 요구되는 분할 작업에서 모델 성능 향상을 가져옵니다.
그렇다면 폴리곤 어노테이션은 실제로 어떻게 사용될까요? 이는 인스턴스 분할과 같은 이미지 분할 작업을 지원하는 비전 AI 모델과 밀접하게 연관되어 있습니다.
많은 컴퓨터 비전 응용 분야에서, 이미지나 영상 프레임 내에서 각 물체가 차지하는 정확한 영역을 파악하는 것은 필수적입니다. 제조업 분야의 자동차 부품 탐지가 대표적인 예입니다. 이 경우 모델은 문, 창문, 헤드라이트와 같은 부품들이 겹치거나 복잡한 형태를 띠고 있더라도 이를 식별하고 정확한 윤곽을 그려내야 합니다.
이때 인스턴스 분할 기술이 활용됩니다. 이 기술을 통해 모델은 detect 물체를 detect 픽셀 단위로 정확한 경계를 매핑할 수 있습니다. 이는 바운딩 박스를 사용하는 기본적인 물체 탐지 방식과는 다릅니다.
바운딩 박스는 물체 주변의 대략적인 직사각형 영역만을 표시하며, 종종 불필요한 배경까지 포함하기 때문에 불규칙한 모양을 포착하거나 겹쳐진 물체를 구분해 내기가 더 어렵습니다.
다각형 주석 작업은 이러한 수준의 정밀도를 구현하는 데 핵심적인 역할을 합니다. 데이터셋 이미지에 포함된 각 객체의 정확한 형태를 추적함으로써, 실제 객체 경계를 반영하는 고품질의 훈련 데이터를 생성할 수 있습니다. 이러한 상세한 주석 정보는 Ultralytics 같은 모델이 각 구성 요소의 구조를 더 잘 이해하도록 도와주며, 결과적으로 더 정확한 분할 결과를 이끌어냅니다.
다음으로, 기존 주석 도구의 한계점을 살펴보며 Ultralytics 같은 더 효율적이고 확장성 있는 솔루션이 필요한 이유를 알아보겠습니다.
다음은 주석 작성자들이 기존의 다각형 주석 도구를 사용할 때 흔히 겪는 어려움들입니다:
Ultralytics Segment Anything Models(SAM)와 YOLO 기반으로 한 AI 지원 주석 기능을 통해 이러한 문제점을 해결합니다. SAM 클릭과 같은 간단한 입력만으로 고품질의 분할 마스크를 생성할 SAM , 이를 정밀한 다각형 주석으로 다듬을 수 있습니다.
마찬가지로, YOLO 스마트 어노테이션은 사전 훈련되거나 사용자 정의로 훈련된 YOLO 사용하여 이미지에 대한 추론을 수행하고, 바운딩 박스, 세그멘테이션 마스크 또는 방향 지정 바운딩 박스와 같은 예측 결과를 어노테이션으로 추가하며, 이를 필요에 따라 검토하고 조정할 수 있습니다. 이러한 기능들이 결합되어 어노테이션 프로세스를 더 빠르고 일관성 있게 만들며, 확장성도 높여줍니다.
Ultralytics 사용자가 작업 공간 내에서 직접 이미지에 주석을 달 수 있는 통합 주석 편집기가 포함되어 있습니다. 이를 통해 별도로 시간을 많이 소요하는 데이터 라벨링 도구에 의존하지 않고도 데이터셋을 보다 쉽게 구축하고 관리할 수 있습니다.
다각형 주석 외에도 Ultralytics 여러 가지 다른 주석 유형을 지원합니다. 다음은 이에 대한 간략한 개요입니다:
그럼 이제 Ultralytics 플랫폼에서 수동으로 또는 AI 지원 도구를 활용해 다각형 주석을 생성하는 방법을 살펴보겠습니다.
다각형 주석을 수동으로 생성하는 방법에 대한 간단한 단계별 안내입니다:
다음으로, 주석 달기 과정을 가속화하는 Ultralytics 플랫폼의 AI 지원 라벨링 기능을 살펴보겠습니다.
이 플랫폼은 스마트 어노테이션을 위한 두 가지 방식을 제공합니다. 하나는 Segment Anything 모델을 기반으로 한 대화형 클릭 기반 어노테이션 생성 방식이고, 다른 하나는 YOLO 기반으로 모델 예측 결과를 어노테이션으로 직접 추가하는 방식입니다. 두 방식 모두 스마트 폴리곤 어노테이션에 사용할 수 있습니다.
Ultralytics SAM 주석 기능은 ‘Segment Anything Model(SAM)’을 활용해 최소한의 입력만으로 분할 마스크를 생성함으로써 수동 라벨링 작업을 간소화합니다. 사용자는 객체를 점 단위로 일일이 추적할 필요 없이, 클릭과 같은 간단한 명령을 통해 이미지와 상호작용하며 포함하거나 제외할 영역을 지정할 수 있습니다.
이 플랫폼은 SAM .1 및 SAM 포함한 다양한 SAM 지원하므로, 사용자는 필요에 따라 더 빠른 성능과 더 높은 정확도 중 하나를 선택할 수 있습니다. SAM 사용자의 입력을 바탕으로 실시간으로 픽셀 단위의 마스크를 SAM . 생성된 마스크는 보정 과정을 거쳐 폴리곤 주석으로 활용될 수 있어, 작업 속도를 높이고 일관성을 유지하며 확장성을 강화합니다.
Ultralytics 에서 SAM 사용하여 다각형 주석을 SAM 방법은 다음과 같습니다:
Ultralytics YOLO 스마트 어노테이션YOLO 사전 훈련된 Ultralytics YOLO 미세 조정된 YOLO 사용하여 이미지에 대한 예측 결과를 생성하고 이를 어노테이션으로 추가함으로써 라벨링 작업을 가속화합니다. 이러한 예측 결과에는 데이터셋의 작업 유형에 따라 바운딩 박스, 세그멘테이션 마스크 또는 방향 지정 바운딩 박스가 포함될 수 있습니다.
사용자는 필요에 따라 이러한 주석을 검토하고 수정할 수 있습니다. 다음은 Ultralytics 에서 YOLO 기반 스마트 주석 기능을 사용하는 단계에 대한 개요입니다:
다각형 주석 기술은 제조업의 품질 관리부터 농업 및 의료 분야에 이르기까지 다양한 산업 분야에서 실질적인 변화를 일으키고 있습니다. 이제 실제 현장에서 활용되는 주요 사례들을 살펴보겠습니다.
농업 분야에서 작물의 생육 상태를 모니터링하는 것은 수확량을 늘리고 손실을 줄이는 데 매우 중요합니다. 작물 잎에 해충이 침입한 부위를 탐지하는 것은 해당 부위가 종종 불규칙한 모양을 띠고 경계가 불분명하기 때문에 까다로울 수 있습니다.
이러한 유형의 문제는 특정 클래스(예: 감염된 영역)에 속하는 모든 픽셀에 레이블을 부여하는 ‘의미적 분할’이나, 물체의 윤곽을 보다 정밀하게 구분하는 ‘인스턴스 분할’과 같은 이미지 분할 기법을 활용하여 해결할 수 있습니다.
Ultralytics 통해 사용자는 다각형 주석 기능을 활용하여 감염된 지역의 정확한 형태를 추적할 수 있습니다. 이를 통해 더 정확한 데이터 세트를 구축할 수 있으며, 비전 AI 알고리즘이 농업 환경 내의 미묘한 패턴을 더 쉽게 식별할 수 있게 됩니다.
그 결과, 팀들은 모델이 해충이 서식하는 정확한 위치를 파악할 수 있도록 돕는 더 나은 훈련 데이터를 구축할 수 있습니다. 이는 피해가 없는 잎의 일부까지 포함될 수 있는 바운딩 박스를 사용하는 것보다 더 효과적입니다.
농업 분야의 해충 탐지와 마찬가지로, 경계의 미세한 차이조차도 의료 영상에서 암과 같은 질환을 분석하는 방식에 영향을 미칠 수 있습니다. 이는 CT 촬영에서 종양과 같은 의료적 이상 소견을 식별할 때 특히 중요합니다.
기존의 주석 처리 방식은 미세한 경계를 놓치거나 주변 조직을 포함시켜 정확도를 떨어뜨릴 수 있습니다. Ultralytics 활용하면 팀은 다각형 주석 기능을 통해 훈련 데이터 내의 해당 영역을 정밀하게 추적할 수 있으며, 이를 통해 모델이 더 정확하고 신뢰할 수 있는 종양 분할 결과를 도출하도록 돕습니다.
모델이 이미지 속 물체의 형태를 높은 정확도로 파악해야 할 때, 다각형 주석 작업은 핵심적인 역할을 합니다. 이는 특히 Ultralytics 사용할 때 복잡한 형태를 더 정확하게 표현하는 데 도움이 됩니다. 정확성과 강력한 도구를 결합함으로써, 팀은 더욱 신뢰할 수 있고 성능이 뛰어난 AI 모델을 구축할 수 있습니다.
프로젝트에 비전 AI를 도입할 준비가 되셨나요? 저희 커뮤니티에 가입하여 자동차 산업의 AI와 로봇 공학 분야의 비전 AI에 대해 알아보세요. GitHub 저장소를 살펴보시면 더 자세한 정보를 확인하실 수 있습니다. 라이선스 옵션을 확인하고 지금 바로 시작해 보세요!
미래의 머신러닝 여정을 시작하세요