Gemini 4 Argon을 이제 Ultralytics Platform에서 자동 어노테이션에 사용할 수 있습니다

데이터 라벨링은 대부분의 컴퓨터 비전 프로젝트에서 여전히 가장 시간이 오래 걸리는 작업입니다. 자동 어노테이션을 사용하면 모델이 바운딩 박스 초안을 작성하므로, 팀은 모든 객체를 직접 그리는 대신 초안을 검토하고 수정할 수 있어 작업 속도가 빨라집니다. 하지만 초안의 유용성은 그 초안을 생성하는 모델의 성능에 달려 있습니다.

오늘부터 Gemini 4 Argon을 Ultralytics Platform에서 자동 어노테이션에 사용할 수 있습니다. Ultralytics Platform의 클래스 프롬프트 기반 자동 어노테이션 모델 26개 전체를 대상으로 한 벤치마크에서 GPT-6.1 Sol, GPT-6 Astra, Claude Opus 5.5, Claude Fable 5.1과 비교했을 때 Gemini 4 Argon이 큰 차이로 가장 높은 정확도를 기록했습니다.

새로운 기능: 자동 어노테이션용 Gemini 4 Argon#

Gemini 4 Argon이 클래스 프롬프트 기반 비전 언어 모델로 Ultralytics Platform 어노테이션 편집기에 추가됩니다. 1–200개 클래스로 구성된 객체 감지 데이터셋에서 각 이미지를 살펴보고 데이터셋에 포함된 클래스의 인스턴스를 찾아 바운딩 박스를 반환하며, 반환된 박스는 다른 예측 결과와 마찬가지로 검토하고 저장할 수 있습니다.

두 가지 방법으로 사용할 수 있습니다:

• 한 번에 이미지 한 장: 어노테이션 편집기에서 Smart 모드로 전환하고, 모델 선택기의 Google 아래에서 gemini-4-argon을 선택한 다음 Predict를 클릭하거나 P을 누릅니다.
• 전체 데이터셋: 데이터셋 페이지에서 More actions > Batch Annotation을 선택해 Batch Annotation을 실행하면, 라벨이 지정되지 않은 모든 이미지를 한 번에 라벨링할 수 있습니다.

Gemini 4 Argon은 점 프롬프트를 사용하는 SAM 3.1부터 직접 파인튜닝한 Ultralytics YOLO 모델까지, Ultralytics Platform의 다른 자동 어노테이션 옵션과 함께 사용할 수 있습니다. 전반적인 내용을 살펴보려면 Ultralytics Platform이 AI를 사용해 어노테이션을 자동화하는 방법을 확인하세요.

자동 어노테이션 모델 26개의 벤치마크 방법#

일상적인 사진에서 거의 모든 객체를 찾아내는 모델도 의료 스캔이나 회로 기판에서는 대부분의 객체를 놓칠 수 있습니다. 따라서 일상적인 사진만 사용하는 대신, Ultralytics가 평가에 사용하는 실제 벤치마크 데이터셋 모음인 UL37을 대상으로 테스트하고, 그중 감지 데이터셋 36개를 사용했습니다. 데이터셋은 의료 영상, 항공 및 위성 이미지, PCB 검사, 보안용 X선 이미지, 소매점 진열대, 교통, 스포츠, 수중 장면, 열화상 영상 등을 포괄합니다.

각 데이터셋의 전체 클래스 목록을 사용해 라벨링된 이미지 108장(데이터셋당 3장)을 Ultralytics Platform의 클래스 프롬프트 기반 모델 모두에 전달했습니다. 어노테이션 편집기에서 사용하는 것과 동일한 감지 코드를 사용했으며, 반환된 바운딩 박스를 정답 레이블과 비교해 mAP50으로 점수를 계산했습니다. 각 제공업체는 기본 추론 수준으로 실행했으며, 반복 실행에 따른 점수 차이는 약 0.005 mAP50에 불과했습니다.

Gemini 4 Argon과 GPT-6.1 Sol, Claude Opus 5.5, GPT-6 Astra 비교#

Gemini 4 Argon은 0.565 mAP50을 기록해 GPT-6.1 Sol(0.491), Gemini 3.8 Flash(0.489), Claude Opus 5.5(0.476), GPT-6 Astra(0.470)를 크게 앞섰습니다. 모든 요청을 완료했으며, 이미지당 중앙값 기준 처리 시간은 약 5초였습니다.

Gemini 4 Argon의 우위는 더 오래 생각하는 데서 비롯되지 않습니다. 기본 추론 수준에서 Gemini 4 Argon은 이미지당 출력 토큰을 중앙값 기준 약 150개 사용했으며, 이는 Claude Opus 5.5와 비슷하고 GPT-6.1 Sol이나 Gemini 3.8 Flash보다 훨씬 적은 수치입니다.

정확도와 비용: Gemini 4 Argon, Claude Haiku 5.5 및 프리미엄 모델#

유료 모델은 사용자의 제공업체 API 키로 실행되므로, 각 예측에 대해 제공업체가 직접 요금을 청구합니다. 2026년 11월 30일까지 적용되는 Google의 출시 가격을 기준으로, 벤치마크에서 Gemini 4 Argon의 비용은 이미지 1,000장당 약 $7.60이었습니다. 그 이후에는 동일한 사용량 기준으로 가격이 두 배 올라 이미지 1,000장당 약 $15가 됩니다.

프리미엄 모델은 비용이 더 많이 들지만 점수는 더 높지 않습니다. GPT-6 Astra와 Claude Fable 5.1의 비용은 이미지 1,000장당 각각 약 $47, $37이었고, 점수는 각각 0.470, 0.372였습니다. 최고 정확도보다 비용이 중요하다면 Claude Haiku 5.5(약 $0.35에 이미지 1,000장당 0.384 mAP50)와 Gemini 3.5 Flash-Lite(약 $1.36에 0.363)가 저렴한 모델 중 가장 높은 정확도를 기록했습니다. 제공업체 키를 전혀 사용하고 싶지 않다면 Ultralytics Platform에서 호스팅하는 모델 중 Qwen3.8 27B의 정확도가 가장 높았습니다.

실제 환경의 12개 도메인에서 평가한 Gemini 4 Argon#

Gemini 4 Argon은 12개 도메인 중 11개에서 모델 26개의 평균을 앞섰고, 수중 이미지에서는 동점을 기록했습니다. 가장 큰 성능 향상은 도로 및 교통(0.59 대 0.17)과 항공 이미지(0.65 대 0.30)에서 나타났으며, 의료 영상에서는 평균 점수의 두 배를 기록했습니다(0.57 대 0.28).

전문 분야 이미지는 여전히 모든 모델에 어렵습니다. 산업용 PCB와 보안용 X선 이미지에서는 Gemini 4 Argon조차 0.2 mAP50 미만을 기록했습니다. 바운딩 박스를 사람이 검토하는 작업 과정을 위한 초안으로 활용하고, 전체 데이터셋에 어노테이션을 적용하기 전에 자체 이미지에서 예측 몇 개를 확인하세요.

Ultralytics Platform에서 Gemini 4 Argon 시작하기#

1. 데이터셋이 있는 워크스페이스의 Settings > API Keys에 Google API 키를 추가하거나, 워크스페이스 소유자에게 추가를 요청하세요(방법 보기).
2. Ultralytics Platform에서 감지 데이터셋을 열고, 어노테이션 편집기를 Smart 모드로 전환한 다음 Google 아래에서 gemini-4-argon을 선택합니다.
3. Predict를 클릭해 현재 이미지에 라벨을 지정한 다음, 바운딩 박스를 검토하고 조정한 후 저장합니다.
4. 결과가 적절하면 Batch Annotation을 실행해 데이터셋의 나머지 부분에 라벨을 지정합니다.

Batch Annotation에는 이미지 1,000장당 $1.00의 표준 Ultralytics Platform 처리 수수료가 부과되며, 이 금액은 Google이 API 키에 청구하는 요금과 별도입니다. 실행할 때마다 먼저 데이터셋 버전을 저장하므로 언제든 이전 상태로 되돌릴 수 있습니다.

데이터셋에 라벨을 지정한 후, 동일한 워크스페이스에서 Ultralytics YOLO26 모델을 학습하세요(학습 문서 참조). 어노테이션 도구를 비교하고 계신가요? 최고의 이미지 어노테이션 플랫폼 및 자동 라벨링과 액티브 러닝 도구 가이드를 확인하세요. 그런 다음 Ultralytics Platform에 로그인해 자체 데이터에서 Gemini 4 Argon을 사용해 보세요.