Ultralytics Platform을 이용한 폴리곤 어노테이션 가이드

자율 주행부터 정밀 농업에 이르기까지 최첨단 AI 기술이 광범위한 산업 분야에 도입되고 있습니다. 예를 들어, 낙농업자들은 AI와 이미지 분석을 사용하여 가축의 질병을 감지하고 있습니다. 절뚝거림과 같은 건강 문제는 아치형 등이나 비대칭적인 움직임과 같이 동물의 걸음걸이와 자세 변화를 관찰함으로써 모니터링할 수 있습니다.

그림 1. AI와 이미지 분석을 사용하여 소를 모니터링하는 예시입니다.

인공지능의 한 분야인 컴퓨터 비전은 기계가 시각적 데이터를 해석하고 분석할 수 있게 함으로써 이러한 애플리케이션을 가능하게 합니다. 특히 인스턴스 세그멘테이션은 이미지 내의 각 객체를 픽셀 단위로 식별하고 분할하는 컴퓨터 비전 작업으로, 개별 동물을 정밀하게 감지하고 분석할 수 있게 합니다.

폴리곤 어노테이션은 이 과정에서 핵심적인 역할을 합니다. 이는 이미지 내 객체의 가장자리를 따라 점을 배치하여 객체의 정확한 모양을 정밀하게 추적하는 데이터 어노테이션 방식입니다. 단순한 BBox 어노테이션과 달리, 이 방식은 객체의 실제 윤곽을 따르므로 더 정밀한 학습 데이터를 생성하고 비전 AI 모델이 객체 경계를 더 잘 이해하도록 돕습니다.

오늘날 폴리곤 어노테이션을 생성하기 위한 많은 도구가 있습니다. 그러나 이러한 옵션들은 서로 다른 유형의 어노테이션에 대해 일관성이 없거나 제한적인 지원을 제공하는 경우가 많아 단일 워크플로 내에서 다양한 라벨링 요구 사항을 관리하기 어렵게 만듭니다.

Ultralytics Platform은 데이터셋 관리, 어노테이션, 학습, 배포 및 모니터링 사이의 간극을 메우는 새로운 엔드투엔드 비전 AI 워크스페이스로, 하나의 원활한 워크스페이스에서 다중 어노테이션 유형과 AI 지원 워크플로를 지원하여 전체 어노테이션 프로세스를 간소화함으로써 이 문제를 해결합니다.

본 기사에서는 폴리곤 어노테이션이 무엇인지, 그리고 Ultralytics Platform을 사용하여 어떻게 생성하는지 살펴봅니다. 시작해 보겠습니다!

Link to this section폴리곤 어노테이션에 대한 자세한 분석#

Ultralytics Platform과 그 폴리곤 어노테이션 기능을 살펴보기 전에 한 걸음 물러나 폴리곤 어노테이션이 무엇인지 이해해 보겠습니다.

이미지 어노테이션은 AI 모델이 무엇을 보고 있는지 이해할 수 있도록 시각적 데이터에 라벨을 추가하는 과정입니다. 일반적으로 이미지 내의 객체를 식별하고 모델이 학습할 수 있는 방식으로 표시하는 작업을 포함합니다.

가장 일반적인 방법 중 하나는 객체 주위에 직사각형 상자를 그리는 것으로, 이를 BBox라고 합니다. 그러나 BBox는 객체의 대략적인 윤곽만 제공합니다. 폴리곤 어노테이션은 더 정밀한 접근 방식입니다.

이 방식은 객체를 상자로 둘러싸는 대신 점 단위로 객체(경계)의 윤곽을 그립니다. 이를 위해 어노테이터는 객체의 가장자리를 따라 여러 개의 꼭짓점(점)을 배치하고 전체 모양이 덮일 때까지 윤곽선을 추적합니다.

이렇게 연결된 점들은 객체의 자연스러운 윤곽을 반영하는 폴리곤을 형성합니다. 모양이 객체의 경계를 밀접하게 따르기 때문에, 어노테이션은 기존 라벨링 방식에서 종종 놓치는 세부 사항을 포착합니다. 이는 나뭇잎, 사람의 실루엣, 겹치는 객체처럼 모양이 불규칙하거나 가장자리가 복잡한 객체에 특히 유용합니다.

데이터의 이러한 정밀도는 머신 러닝 모델이 모델 학습 중에 더 효과적으로 학습하도록 돕습니다. 어노테이션이 객체의 실제 경계를 정확하게 포착하면 모델은 픽셀 수준에서 객체의 패턴을 더 잘 이해할 수 있습니다. 이는 높은 정확도가 요구되는 세그멘테이션 작업에서 특히 모델 성능 향상으로 이어집니다.

Link to this section컴퓨터 비전 워크플로에서 폴리곤 어노테이션의 역할#

그렇다면 폴리곤 어노테이션은 실제로 어떻게 사용될까요? 이는 인스턴스 세그멘테이션과 같은 이미지 세그멘테이션 작업을 지원하는 비전 AI 모델과 밀접하게 연관되어 있습니다.

많은 컴퓨터 비전 애플리케이션에서는 이미지나 비디오 프레임에서 각 객체가 차지하는 정확한 영역을 아는 것이 필수적입니다. 좋은 예로 제조 공정에서의 자동차 부품 감지가 있습니다. 이 경우 모델은 부품이 겹치거나 복잡한 모양을 가지고 있더라도 문, 창문, 헤드라이트와 같은 부품을 식별하고 정확하게 윤곽을 그려야 합니다.

여기서 인스턴스 세그멘테이션이 필요합니다. 이를 통해 모델은 각 객체를 감지하고 픽셀 수준에서 정확한 경계를 매핑할 수 있습니다. 이는 BBox를 사용하는 기본적인 객체 감지와는 다릅니다.

그림 2. 인스턴스 세그멘테이션은 자동차의 손상된 부품을 구별하는 데도 도움을 줄 수 있습니다. (출처)

BBox는 객체 주위의 대략적인 직사각형 영역만 제공하며 종종 불필요한 배경을 포함하여 불규칙한 모양을 포착하거나 겹치는 항목을 분리하기 어렵게 만듭니다.

폴리곤 어노테이션은 이러한 수준의 정밀도를 실현하는 데 필수적인 역할을 합니다. 데이터셋 이미지에서 각 객체의 정확한 모양을 추적하면 실제 객체 경계를 반영하는 고품질 학습 데이터가 생성됩니다. 이러한 상세한 어노테이션은 Ultralytics YOLO26과 같은 모델이 각 구성 요소의 구조를 더 잘 이해하도록 도와 더 정확한 세그멘테이션 결과를 도출합니다.

Link to this section전통적인 이미지 어노테이션 도구의 한계#

다음으로, Ultralytics Platform과 같이 더 효율적이고 확장 가능한 솔루션의 필요성을 이해하기 위해 전통적인 어노테이션 도구의 한계를 살펴보겠습니다.

전통적인 폴리곤 어노테이션 도구를 사용할 때 어노테이터들이 직면하는 몇 가지 공통적인 과제는 다음과 같습니다.

• 어노테이션 유형에 대한 제한적인 지원: 일부 도구는 단일 어노테이션 기술에만 집중하므로 폴리곤, BBox, 키포인트와 같은 다양한 유형을 한곳에서 작업하기 어렵습니다.
• 복잡한 어노테이션 처리의 비효율성: 도구에 미세한 세부 사항이 포함된 복잡한 객체를 더 쉽게 정확하게 어노테이션할 수 있는 기능이 부족할 수 있습니다.
• AI 지원 기능 부족: 많은 도구가 수동 작업에 전적으로 의존하며, 어노테이션 속도를 높이기 위한 AI 지원 기능이 내장되어 있지 않습니다.
• 데이터셋 관리의 파편화: 도구가 중앙 집중식 워크스페이스를 제공하지 않는 경우 데이터셋, 버전 및 어노테이션을 관리하는 것이 어려울 수 있습니다.

Ultralytics Platform은 SAM(Segment Anything Models)과 YOLO 모델을 모두 기반으로 하는 AI 지원 어노테이션 기능으로 이러한 우려를 해결합니다. SAM을 사용하면 클릭과 같은 간단한 입력으로 고품질 세그멘테이션 마스크를 생성할 수 있으며, 이를 정밀한 폴리곤 어노테이션으로 수정할 수 있습니다.

마찬가지로, YOLO 기반 스마트 어노테이션은 사전 학습되었거나 커스텀 학습된 YOLO 모델을 사용하여 이미지에 대해 추론을 실행하고 BBox, 세그멘테이션 마스크 또는 OBB와 같은 예측을 어노테이션으로 추가하며, 필요에 따라 검토 및 조정할 수 있습니다. 이러한 기능들은 함께 어노테이션 프로세스를 더 빠르고 일관되게 만들며 확장을 더 쉽게 만듭니다.

Link to this sectionUltralytics Platform에서 지원하는 다양한 유형의 어노테이션#

Ultralytics Platform에는 사용자가 워크스페이스 내에서 직접 이미지에 어노테이션을 달 수 있는 통합 어노테이션 편집기가 포함되어 있습니다. 이를 통해 별도의 시간 소모적인 데이터 라벨링 도구에 의존하지 않고도 데이터셋을 더 쉽게 구축하고 관리할 수 있습니다.

폴리곤 어노테이션 외에도 Ultralytics Platform은 여러 다른 어노테이션 유형을 지원합니다. 간략한 개요는 다음과 같습니다.

• BBox: 어노테이터는 객체 주위에 간단한 직사각형 상자를 그려 이미지에서 객체를 쉽게 라벨링하고 감지할 수 있습니다.
• 키포인트: 이 방식은 자세 추정 작업과 같이 신체 관절이나 랜드마크와 같은 특정 지점을 표시하는 데 사용됩니다.
• OBB: 이를 통해 사용자는 일반 BBox보다 회전되거나 각도가 있는 객체를 더 정확하게 포착할 수 있습니다.
• 분류 라벨: 더 단순한 작업의 경우, 사용자는 개별 객체를 표시하는 대신 전체 이미지에 라벨을 할당할 수 있습니다.

Link to this sectionUltralytics Platform에서 폴리곤으로 객체 어노테이션하기#

이제 수동으로 또는 AI 지원 도구를 사용하여 Ultralytics Platform에서 폴리곤 어노테이션을 생성하는 방법을 알아보겠습니다.

Link to this sectionUltralytics Platform에서 수동으로 폴리곤 어노테이션 생성하기#

수동으로 폴리곤 어노테이션을 생성하는 단계별 가이드는 다음과 같습니다.

• 1단계 - 데이터셋으로 이동: 어노테이션을 달고자 하는 이미지가 포함된 데이터셋을 엽니다. 이곳에서 이미지와 어노테이션이 저장되고 관리됩니다.
• 2단계 - 이미지 열기: 이미지를 클릭하여 어노테이션 인터페이스에서 엽니다. 어노테이션 워크플로는 데이터셋 작업에 따라 다릅니다. 예를 들어, 인스턴스 세그멘테이션 데이터셋에서는 폴리곤 마스크를 사용하여 어노테이션을 생성합니다.
• 3단계 - 마스크 생성 시작: 이미지를 클릭하여 어노테이션을 시작합니다. 클릭할 때마다 객체 경계를 따라 꼭짓점이 추가됩니다.
• 4단계 - 객체 윤곽 추적: 객체의 가장자리를 따라 계속 클릭하여 모양을 정의합니다.
• 5단계 - 폴리곤 완료: "Enter" 키를 누르거나 첫 번째 점을 클릭하여 폴리곤을 완료하고 클래스 라벨을 할당할 수 있습니다.
• 6단계 - 추가 어노테이션 추가: 과정을 반복하여 이미지 내의 다른 객체에 대한 폴리곤을 추가로 생성합니다.
• 7단계 - 어노테이션 저장: 어노테이션은 생성 시 자동으로 저장됩니다.

그림 3. Ultralytics Platform을 사용하여 수동으로 폴리곤 어노테이션을 생성하는 모습 (출처)

Link to this sectionUltralytics Platform에서의 스마트 폴리곤 어노테이션#

다음으로, 어노테이션 프로세스 속도를 높이는 Ultralytics Platform에서 지원하는 AI 지원 라벨링 기능을 살펴보겠습니다.

플랫폼은 스마트 어노테이션을 위한 두 가지 접근 방식을 제공합니다. 하나는 인터랙티브한 클릭 기반 어노테이션 생성을 위해 SAM을 기반으로 하고, 다른 하나는 모델 예측을 어노테이션으로 직접 추가하기 위해 YOLO 모델을 기반으로 합니다. 두 방식 모두 스마트 폴리곤 어노테이션에 사용할 수 있습니다.

Link to this sectionUltralytics Platform 내에서 SAM을 사용한 스마트 어노테이션#

Ultralytics Platform의 SAM 지원 어노테이션은 SAM을 사용하여 최소한의 입력으로 세그멘테이션 마스크를 생성함으로써 수동 라벨링을 간소화합니다. 객체를 점 단위로 추적하는 대신, 사용자는 포함하거나 제외할 영역을 지정하기 위해 클릭과 같은 간단한 프롬프트를 사용하여 이미지와 상호 작용할 수 있습니다.

플랫폼은 SAM 2.1 및 SAM 3을 포함한 다중 SAM 모델을 지원하여 사용자가 필요에 따라 더 빠른 성능이나 더 높은 정확도 중 하나를 선택할 수 있게 합니다. 사용자 입력에 따라 SAM은 실시간으로 픽셀 수준의 마스크를 생성합니다. 이러한 마스크는 수정되어 폴리곤 어노테이션으로 사용될 수 있으며, 이를 통해 프로세스가 더 빠르고 일관되게 되며 확장하기 쉬워집니다.

Ultralytics Platform에서 폴리곤 어노테이션에 SAM을 사용하는 단계는 다음과 같습니다.

• 1단계 - 이미지 열기: 데이터셋으로 이동하여 이미지를 클릭하여 전체 화면 뷰어를 실행합니다.
• 2단계 - 어노테이션 모드 진입: "Edit"를 클릭한 다음, 스마트 모드(또는 S 키)로 전환하여 SAM을 활성화합니다.
• 3단계 - SAM 모델 선택: 속도 및 정확도 요구 사항에 따라 툴바에서 SAM 모델을 선택합니다.
• 4단계 - 프롬프트 제공: 왼쪽 클릭으로 포지티브 포인트(영역 포함)를 추가하고 오른쪽 클릭으로 네거티브 포인트(영역 제외)를 추가합니다.
• 5단계 - 마스크 생성 및 적용: SAM이 실시간으로 세그멘테이션 마스크를 예측합니다. "Enter" 키(또는 자동 적용 사용)를 눌러 어노테이션을 적용합니다.
• 6단계 - 어노테이션 수정: 필요한 경우 점을 더 추가하거나 결과를 조정하여 저장하기 전에 정확도를 높입니다.

그림 4. Ultralytics Platform 내 SAM 지원 폴리곤 어노테이션 (출처)

Link to this sectionUltralytics Platform 내에서 YOLO를 사용한 스마트 어노테이션#

Ultralytics Platform의 YOLO 기반 스마트 어노테이션은 사전 학습된 Ultralytics YOLO 모델이나 파인튜닝된 YOLO 모델을 사용하여 이미지에 대한 예측을 생성하고 이를 어노테이션으로 추가함으로써 라벨링 속도를 높입니다. 이러한 예측에는 데이터셋 작업에 따라 BBox, 세그멘테이션 마스크 또는 OBB가 포함될 수 있습니다.

그런 다음 사용자는 필요에 따라 이러한 어노테이션을 검토하고 수정할 수 있습니다. Ultralytics Platform에서 YOLO 기반 스마트 어노테이션을 사용하는 단계에 대한 개요는 다음과 같습니다.

• 1단계 - 이미지 열기: 데이터셋으로 이동하여 이미지를 선택하여 전체 화면 뷰어에서 엽니다.
• 2단계 - 어노테이션 모드 진입: "Edit"를 클릭한 다음, 스마트 모드(또는 S 키)로 전환합니다.
• 3단계 - YOLO 모델 선택: 툴바의 모델 선택기에서 YOLO 모델을 선택합니다.
• 4단계 - 예측 실행: "Predict"를 클릭하여 모델이 자동으로 어노테이션을 생성하도록 합니다.
• 5단계 - 어노테이션 검토: 이미지에 추가된 예측된 BBox, 세그멘테이션 마스크 또는 OBB를 검사합니다.
• 6단계 - 수정 및 저장: 필요에 따라 잘못된 어노테이션을 편집, 조정 또는 제거한 다음 최종 라벨을 저장합니다.

그림 5. YOLO 스마트 어노테이션 사용 모습을 엿볼 수 있습니다 (출처)

Link to this section폴리곤 어노테이션의 실제 활용 사례#

폴리곤 어노테이션은 제조 품질 관리부터 농업, 의료에 이르기까지 다양한 산업에 실질적인 영향을 미치고 있습니다. 몇 가지 주요 실제 애플리케이션을 살펴보겠습니다.

Link to this section컴퓨터 비전을 사용한 해충 감지 식별#

농업에서 작물 건강을 모니터링하는 것은 수확량을 높이고 손실을 줄이는 데 중요합니다. 작물 잎의 해충 감염 영역을 감지하는 것은 이러한 영역이 불규칙한 모양과 불분명한 경계를 가지는 경우가 많기 때문에 까다로울 수 있습니다.

이러한 유형의 문제는 클래스(예: 감염 영역)에 속하는 모든 픽셀에 라벨을 지정하는 시맨틱 세그멘테이션이나 객체 윤곽을 더 정밀하게 분리하는 인스턴스 세그멘테이션과 같은 이미지 세그멘테이션 기술을 사용하여 접근할 수 있습니다.

Ultralytics Platform을 사용하면 사용자는 폴리곤 어노테이션을 사용하여 이러한 감염 영역의 정확한 모양을 추적할 수 있습니다. 이는 더 정확한 데이터셋을 생성하고 비전 AI 알고리즘이 농업 환경에서 미묘한 패턴을 더 쉽게 발견하도록 돕습니다.

그 결과, 팀은 해충 침입이 정확히 어디에 존재하는지 모델이 식별하도록 돕는 더 나은 학습 데이터를 구축할 수 있습니다. 이는 영향을 받지 않는 잎의 일부를 포함할 수 있는 BBox를 사용하는 것보다 더 효과적입니다.

Link to this section인스턴스 세그멘테이션 기반의 의료 이미지 분석#

농업의 해충 감지와 마찬가지로, 경계의 작은 차이조차도 암과 같은 질병이 의료 영상에서 분석되는 방식에 영향을 줄 수 있습니다. 이는 CT 스캔에서 종양과 같은 의료적 이상을 식별할 때 특히 중요합니다.

전통적인 어노테이션 방식은 미세한 가장자리를 놓치거나 주변 조직을 포함할 수 있어 정확도를 떨어뜨릴 수 있습니다. Ultralytics Platform을 사용하면 팀은 폴리곤 어노테이션을 사용하여 학습 데이터에서 이러한 영역을 정밀하게 추적함으로써 모델이 더 정확하고 신뢰할 수 있는 종양 세그멘테이션 결과를 생성하도록 도울 수 있습니다.

Link to this section주요 요약#

폴리곤 어노테이션은 모델이 높은 정밀도로 이미지 내 객체 모양을 이해해야 할 때 핵심적인 역할을 합니다. 특히 Ultralytics Platform을 사용할 때 복잡한 모양을 더 정확하게 표현하는 데 도움이 됩니다. 정밀도와 강력한 도구를 결합함으로써 팀은 더 신뢰할 수 있고 고성능인 AI 모델을 구축할 수 있습니다.

프로젝트에 비전 AI를 도입할 준비가 되셨나요? 저희 커뮤니티에 가입하여 자동차 산업에서의 AI와 로봇 공학에서의 비전 AI에 대해 알아보세요. GitHub 저장소를 탐색하여 자세한 내용을 확인하세요. 오늘 바로 시작하려면 라이선스 옵션을 확인해 보세요!