Ultralytics Platform을 사용한 폴리곤 어노테이션 가이드

자율주행부터 정밀 농업에 이르기까지 최첨단 AI 기술이 다양한 산업에 도입되고 있습니다. 예를 들어 낙농업 종사자들은 AI와 이미지 분석을 사용해 소의 질병을 감지하고 있습니다. 파행과 같은 건강 이상은 아치형 등과 비대칭적인 움직임 등 동물의 보행과 자세 변화를 관찰하여 모니터링할 수 있습니다.

그림 1. AI와 이미지 분석을 활용한 소 모니터링의 예입니다.

컴퓨터 비전은 인공지능의 한 분야로, 기계가 시각 데이터를 해석하고 분석할 수 있도록 하여 이러한 애플리케이션을 구현합니다. 특히 인스턴스 세그멘테이션은 이미지 내 각 객체를 픽셀 수준에서 식별하고 세그먼트로 분할하는 컴퓨터 비전 작업으로, 개별 동물을 정밀하게 감지하고 분석할 수 있게 합니다.

폴리곤 어노테이션은 이 과정에서 핵심적인 역할을 합니다. 이는 이미지 속 객체의 가장자리를 따라 점을 배치하여 정확한 형태를 세밀하게 추적하는 데이터 어노테이션 방법입니다. 단순한 바운딩 박스 어노테이션과 달리 객체의 실제 윤곽을 따라가므로 더욱 정밀한 학습 데이터를 생성하고 비전 AI 모델이 객체의 경계를 더 잘 이해하도록 합니다.

오늘날 폴리곤 어노테이션을 생성할 수 있는 도구는 많습니다. 그러나 이러한 도구는 다양한 어노테이션 유형에 대해 일관되지 않거나 제한적인 지원을 제공하는 경우가 많아 단편적으로 느껴질 수 있으며, 하나의 워크플로에서 다양한 라벨링 요구 사항을 관리하기가 더 어려워집니다.

데이터셋 관리, 어노테이션, 학습, 배포 및 모니터링 간의 격차를 해소하는 새로운 엔드투엔드 비전 AI 작업 공간인 Ultralytics Platform은 여러 어노테이션 유형과 AI 지원 워크플로를 하나의 원활한 작업 공간에서 지원하여 이러한 문제를 해결하고 전체 어노테이션 프로세스를 간소화합니다.

이 글에서는 폴리곤 어노테이션이 무엇인지 살펴보고 Ultralytics Platform을 사용해 이를 생성하는 방법을 알아보겠습니다. 시작해 보겠습니다!

폴리곤 어노테이션 자세히 살펴보기#

Ultralytics Platform과 폴리곤 어노테이션 기능을 살펴보기 전에 잠시 뒤로 물러나 폴리곤 어노테이션이 무엇인지 이해해 보겠습니다.

이미지 어노테이션은 AI 모델이 시각 데이터에서 무엇을 보고 있는지 이해할 수 있도록 시각 데이터에 라벨을 추가하는 과정입니다. 일반적으로 이미지 속 객체를 식별하고 모델이 학습할 수 있는 방식으로 표시하는 작업이 포함됩니다.

가장 일반적인 방법 중 하나는 객체 주위에 직사각형 박스를 그리는 것으로, 이를 바운딩 박스라고 합니다. 그러나 바운딩 박스는 객체의 대략적인 윤곽만 제공합니다. 폴리곤 어노테이션은 더욱 정밀한 접근 방식입니다.

폴리곤 어노테이션은 객체를 박스로 둘러싸는 대신 객체의 윤곽선, 즉 경계를 점 단위로 표시합니다. 이를 위해 어노테이터는 객체의 가장자리를 따라 여러 꼭짓점(점)을 배치하고 전체 형태가 포함될 때까지 윤곽을 추적합니다.

이렇게 연결된 점은 객체의 자연스러운 윤곽을 그대로 반영하는 폴리곤을 형성합니다. 형태가 객체의 경계를 closely 따라가므로 이 어노테이션은 기존 라벨링 방법에서 놓치는 세부 사항까지 포착합니다. 잎, 사람의 실루엣, 서로 겹치는 객체처럼 형태가 불규칙하거나 가장자리가 복잡한 객체에 특히 유용합니다.

이러한 데이터의 정밀성은 모델 학습 중 머신 러닝 모델이 더욱 효과적으로 학습하는 데 도움이 됩니다. 어노테이션이 객체의 실제 경계를 정확하게 포착하면 모델은 픽셀 수준에서 객체의 패턴을 더 잘 이해할 수 있습니다. 그 결과 높은 정확도가 필요한 세그멘테이션 작업에서 특히 모델 성능이 향상됩니다.

컴퓨터 비전 워크플로에서 폴리곤 어노테이션의 역할#

그렇다면 폴리곤 어노테이션은 실제로 어떻게 사용될까요? 폴리곤 어노테이션은 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 필수적입니다. 제조 분야의 자동차 부품 감지가 좋은 예입니다. 이 경우 모델은 부품이 서로 겹치거나 형태가 복잡하더라도 문, 창문, 헤드라이트와 같은 부품을 식별하고 정확하게 윤곽을 표시해야 합니다.

이때 인스턴스 세그멘테이션이 사용됩니다. 인스턴스 세그멘테이션을 통해 모델은 각 객체를 감지하고 픽셀 수준에서 정확한 경계를 매핑할 수 있습니다. 이는 바운딩 박스를 사용하는 기본 객체 감지와는 다릅니다.

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

바운딩 박스는 객체 주변의 대략적인 직사각형 영역만 제공하며 불필요한 배경을 포함하는 경우가 많기 때문에 불규칙한 형태를 포착하거나 겹치는 항목을 분리하기가 더 어렵습니다.

폴리곤 어노테이션은 이러한 수준의 정밀성을 구현하는 데 중요한 역할을 합니다. 데이터셋 이미지에서 각 객체의 정확한 형태를 추적하면 실제 객체 경계를 반영하는 고품질 학습 데이터가 생성됩니다. 이러한 세부 어노테이션은 Ultralytics YOLO26과 같은 모델이 각 구성 요소의 구조를 더 잘 이해하도록 하여 더욱 정확한 세그멘테이션 결과를 제공합니다.

기존 이미지 어노테이션 도구의 한계#

Ultralytics Platform과 같은 더욱 효율적이고 확장 가능한 솔루션이 필요한 이유를 이해하기 위해 기존 어노테이션 도구의 한계를 살펴보겠습니다.

기존 폴리곤 어노테이션 도구를 사용할 때 어노테이터가 직면하는 일반적인 문제는 다음과 같습니다.

• 어노테이션 유형 지원 제한: 일부 도구는 단일 어노테이션 기법에 집중하므로 폴리곤, 바운딩 박스, 키포인트 등 다양한 유형을 한곳에서 작업하기 어렵습니다.
• 복잡한 어노테이션 처리의 비효율성: 도구에 세부 사항이 많은 복잡한 객체를 정확하게 어노테이션하기 쉽게 해주는 기능이 부족할 수 있습니다.
• AI 지원 기능 부족: 많은 도구는 어노테이션 속도를 높일 수 있는 내장 AI 지원 없이 전적으로 수작업에 의존합니다.
• 단편적인 데이터셋 관리: 도구가 중앙 집중식 작업 공간을 제공하지 않으면 데이터셋, 버전 및 어노테이션을 관리하기가 어려울 수 있습니다.

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

마찬가지로 YOLO 기반 스마트 어노테이션은 사전 학습되었거나 사용자 지정 학습된 YOLO 모델을 사용해 이미지에서 추론을 실행하고 바운딩 박스, 세그멘테이션 마스크 또는 방향 바운딩 박스와 같은 예측을 어노테이션으로 추가합니다. 이후 필요에 따라 이를 검토하고 조정할 수 있습니다. 이러한 기능을 함께 사용하면 어노테이션 프로세스가 더 빠르고 일관되며 확장하기 쉬워집니다.

Ultralytics Platform에서 지원하는 다양한 어노테이션 유형#

Ultralytics Platform에는 통합 어노테이션 에디터가 포함되어 있어 사용자가 작업 공간 내에서 직접 이미지에 어노테이션을 추가할 수 있습니다. 따라서 별도의, 시간이 많이 소요되는 데이터 라벨링 도구에 의존하지 않고도 데이터셋을 더 쉽게 구축하고 관리할 수 있습니다.

Ultralytics Platform은 폴리곤 어노테이션 외에도 여러 다른 어노테이션 유형을 지원합니다. 다음은 간략한 개요입니다.

• 바운딩 박스: 어노테이터는 객체 주변에 간단한 직사각형 박스를 그려 이미지에서 객체를 쉽게 라벨링하고 감지할 수 있습니다.
• 키포인트: 이 방법은 포즈 추정과 같은 작업을 위해 신체 관절이나 랜드마크 등 특정 지점을 표시하는 데 사용됩니다.
• 방향 바운딩 박스(OBBs): 표준 바운딩 박스에 비해 회전했거나 기울어진 객체를 더 정확하게 포착할 수 있습니다.
• 분류 라벨: 더 단순한 작업에서는 개별 객체를 표시하는 대신 전체 이미지에 라벨을 할당할 수 있습니다.

Ultralytics Platform에서 폴리곤으로 객체 어노테이션하기#

이제 수동 또는 AI 지원 도구를 사용해 Ultralytics Platform에서 폴리곤 어노테이션을 생성하는 방법을 살펴보겠습니다.

Ultralytics Platform에서 폴리곤 어노테이션을 수동으로 생성하기#

다음은 폴리곤 어노테이션을 수동으로 생성하는 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 생성합니다.
• 3단계 – 마스크 생성 시작: 이미지를 클릭하여 어노테이션을 시작합니다. 클릭할 때마다 객체 경계를 따라 꼭짓점이 추가됩니다.
• 4단계 – 객체 윤곽 추적: 객체의 형태를 정의하기 위해 가장자리를 따라 계속 클릭합니다.
• 5단계 – 폴리곤 완성: “Enter”를 누르거나 첫 번째 점을 클릭하여 폴리곤을 완성하고 클래스 라벨을 할당합니다.
• 6단계 – 추가 어노테이션 추가: 이 과정을 반복하여 이미지 내 다른 객체에 대한 폴리곤을 더 생성합니다.
• 7단계 – 어노테이션 저장: 어노테이션은 생성하는 즉시 자동으로 저장됩니다.

그림 3. Ultralytics Platform을 사용해 폴리곤 어노테이션을 수동으로 생성하는 모습입니다. (출처)

Ultralytics Platform의 스마트 폴리곤 어노테이션#

다음으로 Ultralytics Platform에서 지원하는 AI 지원 라벨링 기능을 살펴보고 어노테이션 프로세스의 속도를 높이는 방법을 알아보겠습니다.

이 플랫폼은 스마트 어노테이션을 위한 두 가지 접근 방식을 제공합니다. 하나는 Segment Anything Models를 기반으로 하며 대화형 클릭 방식의 어노테이션 생성을 지원하고, 다른 하나는 YOLO 모델을 기반으로 하며 모델 예측을 어노테이션으로 직접 추가합니다. 두 접근 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 입력으로 세그멘테이션 마스크를 생성하여 수동 라벨링을 간소화합니다. 객체를 점 단위로 추적하는 대신 사용자는 클릭과 같은 간단한 프롬프트로 이미지와 상호작용하여 포함하거나 제외할 대상을 지정할 수 있습니다.

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

Ultralytics Platform에서 폴리곤 어노테이션에 SAM을 사용하는 단계는 다음과 같습니다.

• 1단계 – 이미지 열기: 데이터셋으로 이동한 다음 이미지를 클릭하여 전체 화면 뷰어를 실행합니다.
• 2단계 – 어노테이션 모드 진입: “Edit”를 클릭한 다음 Smart 모드로 전환하거나 S 키를 눌러 SAM을 활성화합니다.
• 3단계 – SAM 모델 선택: 속도와 정확도 요구 사항에 따라 툴바에서 SAM 모델을 선택합니다.
• 4단계 – 프롬프트 제공: 왼쪽 클릭으로 긍정 포인트(포함 영역)를 추가하고 오른쪽 클릭으로 부정 포인트(제외 영역)를 추가합니다.
• 5단계 – 마스크 생성 및 적용: SAM이 실시간으로 세그멘테이션 마스크를 예측합니다. “Enter”를 누르거나 자동 적용 기능을 사용해 어노테이션을 적용합니다.
• 6단계 – 어노테이션 다듬기: 저장하기 전에 필요한 경우 포인트를 더 추가하거나 결과를 조정하여 정확도를 높입니다.

그림 4. Ultralytics Platform에서 SAM을 활용한 폴리곤 어노테이션입니다. (출처)

Ultralytics Platform에서 YOLO를 사용한 스마트 어노테이션#

Ultralytics Platform의 YOLO 기반 스마트 어노테이션은 사전 학습된 Ultralytics YOLO 모델 또는 파인튜닝된 YOLO 모델을 사용해 이미지에 대한 예측을 생성하고 이를 어노테이션으로 추가하여 라벨링을 가속합니다. 이러한 예측에는 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 단계의 개요입니다.

• 1단계 – 이미지 열기: 데이터셋으로 이동하여 이미지를 선택하고 전체 화면 뷰어에서 엽니다.
• 2단계 – 어노테이션 모드 진입: “Edit”를 클릭한 다음 Smart 모드로 전환하거나 S 키를 누릅니다.
• 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 예측 바운딩 박스, 세그멘테이션 마스크 또는 OBB를 확인합니다.
• 6단계 – 다듬기 및 저장: 필요에 따라 잘못된 어노테이션을 편집, 조정 또는 삭제한 다음 최종 라벨을 저장합니다.

그림 5. YOLO 스마트 어노테이션 사용 모습입니다. (출처)

폴리곤 어노테이션의 실제 활용 사례#

폴리곤 어노테이션은 제조 분야의 품질 관리부터 농업과 의료에 이르기까지 다양한 산업에서 실제로 큰 영향을 미치고 있습니다. 주요 실제 활용 사례를 살펴보겠습니다.

컴퓨터 비전을 활용한 해충 감지#

농업에서는 수확량을 높이고 손실을 줄이기 위해 작물의 건강 상태를 모니터링하는 것이 중요합니다. 작물 잎에서 해충에 감염된 영역을 감지하는 일은 이러한 영역의 형태가 불규칙하고 경계가 명확하지 않은 경우가 많아 어려울 수 있습니다.

이러한 문제에는 모든 픽셀이 속한 클래스를 라벨링하는 시맨틱 세그멘테이션(예: 감염 영역)이나 객체의 윤곽을 더욱 정밀하게 분리하는 인스턴스 세그멘테이션과 같은 이미지 세그멘테이션 기법을 적용할 수 있습니다.

Ultralytics Platform을 사용하면 폴리곤 어노테이션으로 이러한 감염 영역의 정확한 형태를 추적할 수 있습니다. 이를 통해 더욱 정확한 데이터셋을 구축하고 비전 AI 알고리즘이 농업 환경의 미세한 패턴을 더 쉽게 식별하도록 할 수 있습니다.

그 결과 팀은 해충 피해가 정확히 어디에 존재하는지 모델이 식별하는 데 도움이 되는 더 나은 학습 데이터를 구축할 수 있습니다. 이는 영향을 받지 않은 잎의 일부까지 포함할 수 있는 바운딩 박스를 사용하는 것보다 효과적입니다.

인스턴스 세그멘테이션 기반 의료 이미지 분석#

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

기존 어노테이션 방법은 세밀한 가장자리를 놓치거나 주변 조직을 포함할 수 있어 정확도가 낮아질 수 있습니다. Ultralytics Platform을 사용하면 팀은 학습 데이터에서 이러한 영역을 폴리곤 어노테이션으로 정밀하게 추적하여 모델이 더욱 정확하고 신뢰할 수 있는 종양 세그멘테이션을 생성하도록 할 수 있습니다.

핵심 요점#

모델이 이미지 속 객체의 형태를 높은 정밀도로 이해해야 할 때 폴리곤 어노테이션은 핵심적인 역할을 합니다. 특히 Ultralytics Platform을 사용할 때 복잡한 형태를 더욱 정확하게 표현할 수 있습니다. 정밀성과 강력한 도구를 결합하면 팀은 더욱 안정적이고 성능이 뛰어난 AI 모델을 구축할 수 있습니다.

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