Ultralytics Platform을 활용한 폴리곤 어노테이션 가이드

자율주행부터 정밀 농업까지 다양한 산업 분야에서 최첨단 AI 기술이 도입되고 있습니다. 예를 들어 낙농업 종사자는 AI와 이미지 분석을 사용해 소의 질병을 감지합니다. 파행과 같은 건강 문제는 등이 굽거나 움직임이 비대칭적인 것처럼 보행과 자세의 변화를 관찰해 모니터링할 수 있습니다.

그림 1. AI와 이미지 분석을 활용해 소를 모니터링하는 예시.

인공지능의 한 분야인 컴퓨터 비전은 기계가 시각 데이터를 해석하고 분석하도록 하여 이러한 활용을 가능하게 합니다. 구체적으로 인스턴스 세그멘테이션은 이미지에서 각 객체를 픽셀 단위로 식별하고 분할하는 컴퓨터 비전 작업으로, 개별 동물을 정밀하게 탐지하고 분석할 수 있습니다.

폴리곤 주석은 이 과정에서 중요한 역할을 합니다. 이는 객체의 가장자리를 따라 점을 배치해 이미지 속 객체의 정확한 형태를 세밀하게 추적하는 데이터 주석 방식입니다. 단순한 바운딩 박스 주석과 달리 객체의 실제 윤곽을 따라 표시하므로 더욱 정밀한 학습 데이터를 생성하고 비전 AI 모델이 객체의 경계를 더 잘 이해하도록 도울 수 있습니다.

오늘날 폴리곤 주석을 생성하는 데 사용할 수 있는 도구는 다양합니다. 그러나 주석 유형별 지원이 일관되지 않거나 제한적인 경우가 많아 여러 도구에 분산된 것처럼 느껴질 수 있으며, 하나의 워크플로에서 다양한 라벨링 요구 사항을 관리하기가 더 어려워집니다.

데이터셋 관리, 주석 작업, 학습, 배포, 모니터링 사이의 간극을 해소하는 엔드투엔드 비전 AI 작업 공간인 새로운 Ultralytics Platform은 여러 주석 유형과 AI 지원 워크플로를 하나의 원활한 작업 공간에서 지원해 이러한 문제를 해결하고 전체 주석 과정을 간소화합니다.

이 글에서는 폴리곤 주석이 무엇인지, 그리고 Ultralytics Platform을 사용해 폴리곤 주석을 생성하는 방법을 살펴보겠습니다. 시작해 보겠습니다!

폴리곤 주석 자세히 알아보기#

Ultralytics Platform과 폴리곤 주석 기능을 살펴보기 전에 잠시 한 걸음 물러서서 폴리곤 주석이 무엇인지 알아보겠습니다.

이미지 주석은 AI 모델이 시각 데이터를 이해할 수 있도록 라벨을 추가하는 과정입니다. 일반적으로 이미지 속 객체를 식별하고 모델이 학습할 수 있는 방식으로 표시합니다.

가장 일반적인 방법 중 하나는 객체 주위에 직사각형 상자를 그리는 것으로, 이를 바운딩 박스라고 합니다. 그러나 바운딩 박스는 객체의 대략적인 윤곽만 제공합니다. 폴리곤 주석은 더 정밀한 방식입니다.

폴리곤 주석은 객체를 상자로 둘러싸는 대신 점을 하나씩 찍어 객체의 윤곽(경계)을 표시합니다. 이를 위해 주석 작업자는 객체의 가장자리를 따라 여러 꼭짓점(점)을 배치하고, 전체 형태를 덮을 때까지 윤곽을 추적합니다.

이렇게 연결된 점은 객체의 자연스러운 윤곽을 따르는 폴리곤을 형성합니다. 형태가 객체의 경계를 밀접하게 따라가므로 기존 라벨링 방식이 놓치기 쉬운 세부 정보까지 주석에 담을 수 있습니다. 이는 잎, 사람의 실루엣, 서로 겹친 객체처럼 불규칙한 형태나 복잡한 가장자리를 가진 객체에 특히 유용합니다.

이처럼 정밀한 데이터는 머신러닝 모델이 학습 중에 더 효과적으로 학습하는 데 도움이 됩니다. 주석이 객체의 실제 경계를 정확하게 포착하면 모델은 픽셀 단위로 객체의 패턴을 더 잘 이해할 수 있습니다. 그 결과 특히 높은 정확도가 필요한 세그멘테이션 작업에서 모델 성능이 향상됩니다.

컴퓨터 비전 워크플로에서 폴리곤 주석의 역할#

그렇다면 폴리곤 주석은 실제로 어떻게 사용될까요? 폴리곤 주석은 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 파악하는 것이 중요합니다. 제조 분야의 자동차 부품 탐지가 좋은 예입니다. 이 경우 모델은 부품이 서로 겹치거나 복잡한 형태를 띠더라도 문, 창문, 헤드라이트와 같은 부품을 식별하고 정확한 윤곽을 표시해야 합니다.

이때 인스턴스 세그멘테이션이 활용됩니다. 인스턴스 세그멘테이션을 사용하면 모델이 각 객체를 탐지하고 픽셀 단위로 정확한 경계를 표시할 수 있습니다. 이는 바운딩 박스를 사용하는 기본적인 객체 탐지와 다릅니다.

그림 2. 인스턴스 세그멘테이션은 자동차의 손상된 부품을 구분하는 데도 도움이 됩니다. (출처)

바운딩 박스는 객체 주위의 대략적인 직사각형 영역만 제공하고 배경이 추가로 포함되는 경우가 많아, 불규칙한 형태를 포착하거나 겹친 품목을 분리하기 어렵습니다.

폴리곤 주석은 이러한 수준의 정밀도를 구현하는 데 중요한 역할을 합니다. 데이터셋 이미지에서 각 객체의 정확한 형태를 추적하면 실제 객체 경계를 반영하는 고품질 학습 데이터를 생성할 수 있습니다. 이러한 세부 주석은 Ultralytics YOLO26과 같은 모델이 각 구성 요소의 구조를 더 잘 이해하도록 도와 더욱 정확한 세그멘테이션 결과를 제공합니다.

기존 이미지 주석 도구의 한계#

다음으로 Ultralytics Platform과 같은 더 효율적이고 확장 가능한 솔루션이 필요한 이유를 이해하기 위해 기존 주석 도구의 한계를 살펴보겠습니다.

기존 폴리곤 주석 도구를 사용할 때 주석 작업자가 자주 겪는 문제는 다음과 같습니다.

• 제한적인 주석 유형 지원: 일부 도구는 하나의 주석 기법에만 집중하므로 폴리곤, 바운딩 박스, 키포인트 등 다양한 유형을 한곳에서 사용하기 어렵습니다.
• 복잡한 주석 처리의 비효율성: 세부 정보가 많은 복잡한 객체에 정확하게 주석을 추가하는 데 도움이 되는 기능이 도구에 부족할 수 있습니다.
• AI 지원 기능 부족: 많은 도구는 주석 작업을 빠르게 처리할 수 있는 내장 AI 지원 없이 전적으로 수동 작업에 의존합니다.
• 분산된 데이터셋 관리: 도구가 중앙 집중식 작업 공간을 제공하지 않으면 데이터셋, 버전, 주석을 관리하기 어렵습니다.

Ultralytics Platform은 Segment Anything 모델(SAM)과 YOLO 모델을 기반으로 하는 AI 지원 주석 기능을 통해 이러한 문제를 해결합니다. SAM을 사용하면 클릭과 같은 간단한 입력으로 고품질 세그멘테이션 마스크를 생성한 뒤, 이를 정밀한 폴리곤 주석으로 다듬을 수 있습니다.

마찬가지로 YOLO 기반 스마트 주석은 사전 학습되었거나 맞춤 학습된 YOLO 모델을 사용해 이미지에서 추론을 실행하고 바운딩 박스, 세그멘테이션 마스크, 방향성 바운딩 박스와 같은 예측 결과를 주석으로 추가합니다. 그런 다음 필요에 따라 결과를 검토하고 조정할 수 있습니다. 이러한 기능을 함께 활용하면 주석 작업이 더 빠르고 일관되며 확장하기 쉬워집니다.

Ultralytics Platform에서 지원하는 다양한 주석 유형#

Ultralytics Platform에는 작업 공간에서 직접 이미지에 주석을 추가할 수 있는 통합 주석 편집기가 포함되어 있습니다. 이를 통해 별도의 데이터 라벨링 도구를 사용하지 않고도 데이터셋을 더 쉽게 구축하고 관리할 수 있습니다.

Ultralytics Platform은 폴리곤 주석 외에도 여러 주석 유형을 지원합니다. 간단히 살펴보겠습니다.

• 바운딩 박스: 어노테이터는 객체 주위에 간단한 직사각형 박스를 그릴 수 있으므로 이미지에서 객체를 쉽게 라벨링하고 탐지할 수 있습니다.
• 키포인트: 이 방법은 포즈 추정과 같은 작업에서 신체 관절이나 랜드마크처럼 특정 지점을 표시하는 데 사용됩니다.
• 방향 바운딩 박스(OBBs): 표준 바운딩 박스보다 회전하거나 기울어진 객체를 더 정확하게 표시할 수 있습니다.
• 분류 라벨: 더 간단한 작업의 경우 개별 객체를 표시하는 대신 이미지 전체에 라벨을 할당할 수 있습니다.

Ultralytics Platform에서 폴리곤으로 객체 어노테이션하기#

이제 수동으로 또는 AI 지원 도구를 사용하여 Ultralytics Platform에서 폴리곤 어노테이션을 만드는 방법을 살펴보겠습니다.

Ultralytics Platform에서 폴리곤 어노테이션을 수동으로 만들기#

다음은 폴리곤 어노테이션을 수동으로 만드는 간단한 단계별 가이드입니다.

• 1단계 - 데이터셋으로 이동: 어노테이션을 추가할 이미지가 포함된 데이터셋을 엽니다. 이곳에서 이미지와 어노테이션을 저장하고 관리합니다.
• 2단계 - 이미지 열기: 이미지를 클릭하여 어노테이션 인터페이스에서 엽니다. 어노테이션 워크플로는 데이터셋 작업에 따라 달라집니다. 예를 들어 인스턴스 세그멘테이션 데이터셋에서는 폴리곤 마스크를 사용해 어노테이션을 만듭니다.
• 3단계 – 마스크 만들기 시작: 이미지에서 클릭하여 어노테이션을 시작합니다. 클릭할 때마다 객체 경계를 따라 꼭짓점이 추가됩니다.
• 4단계 – 객체 윤곽 따라 그리기: 객체의 가장자리를 따라 계속 클릭하여 형태를 정의합니다.
• 5단계 – 폴리곤 완성: “Enter” 키를 누르거나 첫 번째 지점을 클릭하여 폴리곤을 완성하고 클래스 라벨을 할당할 수 있습니다.
• 6단계 – 어노테이션 추가: 이 과정을 반복하여 이미지의 다른 객체에 폴리곤을 추가합니다.
• 7단계 – 어노테이션 저장: 어노테이션은 만들면서 자동으로 저장됩니다.

그림 3. Ultralytics Platform을 사용한 수동 폴리곤 어노테이션 생성 모습 (출처)

Ultralytics Platform의 스마트 폴리곤 어노테이션#

다음으로, 어노테이션 프로세스를 빠르게 진행하도록 지원하는 Ultralytics Platform의 AI 보조 라벨링 기능을 살펴보겠습니다.

플랫폼은 스마트 어노테이션을 위한 두 가지 접근 방식을 제공합니다. 하나는 대화형 클릭 기반 어노테이션 생성을 위한 Segment Anything Models 기반 방식이고, 다른 하나는 YOLO 모델 기반으로 모델 예측 결과를 어노테이션으로 직접 추가하는 방식입니다. 두 방식 모두 스마트 폴리곤 어노테이션에 사용할 수 있습니다.

Ultralytics Platform에서 SAM을 사용한 스마트 어노테이션#

Ultralytics Platform의 SAM 지원 어노테이션은 Segment Anything Model (SAM)을 사용해 최소한의 입력만으로 세그멘테이션 마스크를 생성하여 수동 라벨링을 간소화합니다. 객체를 지점별로 따라 그리는 대신, 사용자는 클릭과 같은 간단한 프롬프트로 포함하거나 제외할 영역을 지정해 이미지와 상호작용할 수 있습니다.

플랫폼은 SAM 2.1과 SAM 3을 비롯한 여러 SAM 모델을 지원하므로 사용자는 필요에 따라 더 빠른 성능과 더 높은 정확도 중에서 선택할 수 있습니다. 사용자의 입력을 바탕으로 SAM은 픽셀 단위 마스크를 실시간으로 생성합니다. 그런 다음 이 마스크를 다듬어 폴리곤 어노테이션으로 사용할 수 있어 프로세스가 더 빠르고 일관되며 확장하기 쉬워집니다.

다음은 Ultralytics Platform에서 폴리곤 어노테이션에 SAM을 사용하는 단계입니다.

• 1단계 – 이미지 열기: 데이터셋으로 이동한 다음 이미지를 클릭하여 전체 화면 뷰어를 엽니다.
• 2단계 – 어노테이션 모드 진입: “Edit”를 클릭한 다음 Smart 모드로 전환하거나 S 키를 눌러 SAM을 활성화합니다.
• 3단계 – SAM 모델 선택: 필요한 속도와 정확도에 따라 도구 모음에서 SAM 모델을 선택합니다.
• 4단계 – 프롬프트 지정: 마우스 왼쪽 버튼을 클릭해 긍정 포인트(포함할 영역)를 추가하고, 마우스 오른쪽 버튼을 클릭해 부정 포인트(제외할 영역)를 추가합니다.
• 5단계 – 마스크 생성 및 적용: SAM이 실시간으로 세그멘테이션 마스크를 예측합니다. “Enter” 키를 누르거나 자동 적용 기능을 사용하여 어노테이션을 적용합니다.
• 6단계 – 어노테이션 다듬기: 필요한 경우 저장하기 전에 포인트를 추가하거나 결과를 조정하여 정확도를 높입니다.

그림 4. Ultralytics Platform의 SAM 지원 폴리곤 어노테이션 (출처)

Ultralytics Platform에서 YOLO를 사용한 스마트 어노테이션#

Ultralytics Platform의 YOLO 기반 스마트 어노테이션은 사전 학습된 Ultralytics YOLO 모델이나 파인튜닝된 YOLO 모델을 사용해 이미지의 예측 결과를 생성하고 어노테이션으로 추가함으로써 라벨링을 가속합니다. 이러한 예측 결과에는 데이터셋 작업에 따라 바운딩 박스, 세그멘테이션 마스크 또는 방향 바운딩 박스가 포함될 수 있습니다.

사용자는 필요에 따라 이러한 어노테이션을 검토하고 다듬을 수 있습니다. 다음은 Ultralytics Platform에서 YOLO 기반 스마트 어노테이션을 사용하는 단계입니다.

• 1단계 – 이미지 열기: 데이터셋으로 이동한 다음 이미지를 선택하여 전체 화면 뷰어에서 엽니다.
• 2단계 – 어노테이션 모드 진입: “Edit”를 클릭한 다음 Smart 모드로 전환하거나 S 키를 누릅니다.
• 3단계 – YOLO 모델 선택: 도구 모음의 모델 선택기에서 YOLO 모델을 선택합니다.
• 4단계 – 예측 실행: “Predict”를 클릭하여 모델이 어노테이션을 자동으로 생성하도록 합니다.
• 5단계 – 어노테이션 검토: 이미지에 추가된 예측 바운딩 박스, 세그멘테이션 마스크 또는 OBB를 확인합니다.
• 6단계 – 다듬고 저장: 필요에 따라 잘못된 어노테이션을 편집, 조정 또는 제거한 다음 최종 라벨을 저장합니다.

그림 5. YOLO 스마트 어노테이션 사용 모습 (출처)

폴리곤 어노테이션의 실제 활용 사례#

폴리곤 어노테이션은 제조업의 품질 관리부터 농업과 의료에 이르기까지 다양한 산업에서 실질적인 변화를 만들어 내고 있습니다. 주요 실제 활용 사례를 살펴보겠습니다.

컴퓨터 비전으로 해충 식별하기#

농업에서는 작물 수확량을 높이고 손실을 줄이기 위해 작물 건강 상태를 모니터링하는 것이 중요합니다. 작물 잎에서 해충에 감염된 영역을 탐지하는 일은 까다로울 수 있습니다. 이러한 영역은 불규칙한 모양이고 경계가 불분명한 경우가 많기 때문입니다.

이러한 문제는 특정 클래스(예: 감염된 영역)에 속하는 모든 픽셀에 라벨을 지정하는 시맨틱 세그멘테이션이나 객체 윤곽을 더 정확하게 분리하는 인스턴스 세그멘테이션과 같은 이미지 세그멘테이션 기법으로 해결할 수 있습니다.

Ultralytics Platform을 사용하면 폴리곤 어노테이션으로 이러한 감염 영역의 정확한 형태를 따라 그릴 수 있습니다. 이를 통해 더 정확한 데이터셋을 만들고 비전 AI 알고리즘이 농업 환경의 미묘한 패턴을 더 쉽게 찾아내도록 할 수 있습니다.

그 결과, 팀은 해충 피해가 발생한 위치를 모델이 정확히 식별하도록 돕는 더 나은 학습 데이터를 구축할 수 있습니다. 영향을 받지 않은 잎 부분까지 포함할 수 있는 바운딩 박스를 사용하는 것보다 효과적입니다.

인스턴스 세그멘테이션 기반 의료 이미지 분석#

농업에서의 해충 탐지와 마찬가지로, 경계의 작은 차이도 의료 영상에서 암과 같은 질병을 분석하는 데 영향을 줄 수 있습니다. 이는 CT 스캔에서 종양과 같은 의료 이상을 식별할 때 특히 중요합니다.

기존 어노테이션 방법은 미세한 경계를 놓치거나 주변 조직을 포함할 수 있어 정확도가 떨어질 수 있습니다. Ultralytics Platform을 사용하면 팀은 학습 데이터에서 이러한 영역의 윤곽을 정밀하게 따라 그릴 수 있으며, 이를 통해 모델이 더 정확하고 신뢰할 수 있는 종양 세그멘테이션 결과를 생성하도록 지원합니다.

핵심 요점#

모델이 이미지 속 객체의 형태를 높은 정밀도로 이해해야 할 때 폴리곤 어노테이션은 핵심적인 역할을 합니다. 특히 Ultralytics Platform을 사용하면 복잡한 형태를 더 정확하게 표현할 수 있습니다. 정밀도와 강력한 도구를 결합하여 팀은 더 신뢰할 수 있고 성능이 뛰어난 AI 모델을 구축할 수 있습니다.

프로젝트에 비전 AI를 도입할 준비가 되셨나요? 커뮤니티에 참여하고 자동차 산업의 AI와 로보틱스의 비전 AI에 대해 알아보세요. 자세한 내용은 GitHub 저장소를 확인하세요. 지금 시작하려면 라이선스 옵션을 살펴보세요!