Ultralytics Platform이 AI를 사용하여 어노테이션을 자동화하는 방법

이미지와 동영상을 분석하는 컴퓨터 비전 솔루션은 제조에서 의료 영상에 이르기까지 많은 산업 분야의 워크플로에서 일반적인 부분이 되고 있습니다. 예를 들어 제조 분야에서 컨베이어 벨트를 따라 이동하는 제품의 표면 결함을 감지하는 작업은 미세한 패턴을 찾아낼 수 있는 컴퓨터 비전 모델에 달려 있습니다.

이러한 모델이 잘 작동하려면 각 결함이 명확하게 식별된 레이블링된 데이터로 학습되어야 합니다. 이를 통해 모델은 무엇을 찾아야 하는지 학습하고 유사한 패턴을 인식할 수 있게 됩니다.

이러한 레이블을 생성하는 과정을 데이터 주석(annotation)이라고 합니다. 특히 이미지 주석 및 동영상 주석 작업은 이미지와 동영상 프레임 내에서 BBox를 그리거나 모양의 윤곽을 따거나 특정 영역을 레이블링하는 과정을 포함합니다.

소규모 데이터셋에서는 관리할 수 있지만 데이터가 증가함에 따라 처리하기가 점점 더 어려워집니다. 수천 장의 이미지를 레이블링하는 데는 지속적인 수동 작업이 필요하며, 이로 인해 주석 작업이 주요 병목 현상이 됩니다. 기존 도구들은 속도가 느리고 단편적이며 확장하기 어려운 경우가 많습니다.

Ultralytics Platform은 AI 기반 주석 기능을 통해 이러한 문제를 해결하도록 돕는 올인원 비전 AI 플랫폼입니다. AI를 활용하여 신속하게 검토하고 수정할 수 있는 초기 레이블을 자동으로 생성함으로써 수동 작업을 줄이고 효율성을 향상합니다.

이 글에서는 Ultralytics Platform 내에서 AI 기반 주석 기능이 어떻게 작동하는지, 그리고 이 기능이 레이블링 과정을 어떻게 개선하는지 살펴보겠습니다. 시작해 보겠습니다!

Link to this section데이터 주석 과정 개요#

Ultralytics Platform에서 AI 기반 주석이 어떻게 작동하는지 알아보기 전에 먼저 데이터 주석에 대해 더 자세히 살펴보겠습니다.

데이터 레이블링이라고도 하는 데이터 주석은 머신 러닝 모델을 학습시키는 데 사용할 수 있도록 원시 데이터에 구조화된 레이블을 할당하는 과정입니다. 컴퓨터 비전에서 이러한 레이블은 이미지나 동영상 내에서 관심 있는 객체, 영역 또는 특징을 정의합니다.

학습 과정 동안 모델이나 알고리즘은 입력 데이터를 이러한 레이블에 매핑하는 방법을 학습하므로 주석의 품질은 모델 성능의 핵심 요소가 됩니다. 정확하고 일관된 레이블이 지정된 데이터셋을 사용해야 모델이 올바른 패턴을 학습할 수 있으며, 주석이 불량하거나 일관성이 없으면 신뢰할 수 없는 예측 결과로 이어질 수 있습니다.

예를 들어 결함 감지 사례에서 컨베이어 벨트 위의 제품 이미지는 결함이 나타나는 위치를 표시하고 결함 종류를 레이블링하여 주석을 달 수 있습니다. 이는 모델이 결함의 모양을 학습하여 새로운 이미지에서도 결함을 식별하도록 돕습니다.

Link to this section일반적인 주석 작업 살펴보기#

다음으로 컴퓨터 비전에서 이미지를 주석 처리하는 일반적인 방법들을 살펴보겠습니다. 이러한 방법은 객체 감지, 인스턴스 세그멘테이션, 이미지 분류와 같은 작업을 위해 시각적 데이터에 레이블을 지정하는 데 사용됩니다. 각 주석 방법은 객체 위치 지정, 모양 캡처 또는 주요 구조 식별과 같은 서로 다른 기능을 수행합니다.

Link to this section바운딩 박스#

BBox는 이미지 내 객체 주위에 그려진 간단한 직사각형으로 객체의 위치를 보여줍니다. 이는 컴퓨터 비전에서 데이터를 레이블링하는 가장 일반적인 방법 중 하나입니다.

이러한 상자가 포함된 이미지로 학습함으로써 객체 감지 모델은 다양한 객체를 인식하고 이미지 내에서의 위치를 이해하게 됩니다. 이를 통해 여러 객체를 동시에 감지하고 각 객체가 나타나는 위치를 식별할 수 있습니다.

예를 들어 컴퓨터 비전을 사용하여 분석하는 야구 경기를 생각해 보십시오. 각 프레임의 선수, 배트, 공 주위에 상자를 그려 모델이 경기 내내 이러한 객체를 감지하고 식별하도록 할 수 있습니다.

그림 1. BBox를 사용하여 여러 객체를 레이블링하고 위치를 지정할 수 있습니다. (출처)

Link to this section폴리곤 또는 세그멘테이션 마스크#

세그멘테이션 마스크라고도 하는 폴리곤은 객체를 픽셀 수준에서 레이블링함으로써 BBox보다 한 단계 더 나아갑니다. 대략적인 직사각형을 그리는 대신 이미지에 있는 각 객체의 정확한 모양과 가장자리를 캡처합니다. 따라서 더 상세한 이해가 필요한 작업에 유용합니다.

예를 들어 자율 주행에서 세그멘테이션 마스크는 각 픽셀에 도로 또는 하늘과 같은 범주를 할당하는 시맨틱 세그멘테이션과 차량 또는 보행자와 같은 개별 객체를 별도로 식별하는 인스턴스 세그멘테이션과 같은 작업에 사용됩니다.

또한 사람과 같은 객체를 이미지의 나머지 부분으로부터 분리해야 하는 배경 제거와 같은 작업에도 사용됩니다.

Link to this section키포인트#

키포인트는 인체의 관절이나 동물의 신체 부위와 같이 객체의 특정 지점을 표시하는 데 사용됩니다. 이러한 지점을 식별함으로써 모델은 객체의 구조와 각 부위가 서로 상대적으로 어떻게 배치되어 있는지 이해할 수 있습니다.

컴퓨터 비전에서 이는 포즈 추정으로 알려져 있으며 목표는 이러한 키포인트의 위치를 식별하고 서로 어떻게 연관되어 있는지 이해하는 것입니다. 시간이 지남에 따라 이러한 지점을 추적하면 움직임과 자세 변화를 분석할 수 있습니다.

그림 2. 키포인트 주석은 인체 포즈 추정을 위해 관절을 표시하는 데 사용될 수 있습니다. (출처)

일반적인 예로 동영상에서 신체 관절을 표시하여 사람의 움직임을 분석하는 경우가 있습니다. 이러한 키포인트에 집중함으로써 모델은 사람의 위치와 시간에 따른 자세 변화를 캡처할 수 있습니다.

Link to this sectionOBB (Oriented Bounding Box)#

이미지의 모든 객체가 완벽하게 정렬되어 있지는 않습니다. 많은 실제 시나리오에서 객체는 기울어져 있거나 회전되어 있거나 다른 각도에서 보입니다.

표준 BBox는 불필요한 배경을 포함하거나 객체와 밀접하게 일치하지 않을 수 있으므로 이러한 경우 어려움을 겪는 경우가 많습니다. OBB는 객체의 방향에 맞춰 회전된 직사각형을 사용하여 이 문제를 해결합니다. 그 결과 더 타이트하고 정확한 주석이 생성됩니다.

이 접근 방식은 모델이 객체의 위치와 방향을 모두 식별하는 OBB 감지에 사용됩니다. 한 예로 건물, 선박 또는 차량과 같은 객체가 종종 다른 각도로 나타나는 항공 이미지가 있습니다. 회전된 상자를 사용하면 장면 내에서 객체의 실제 모양과 방향을 더 쉽게 캡처할 수 있습니다.

Link to this section분류 레이블#

분류 레이블은 특정 객체나 영역을 표시하는 대신 전체 이미지에 단일 레이블을 할당함으로써 다른 주석 방법들과 다른 접근 방식을 취합니다. 이는 이미지 내에 무엇이 나타나는지 식별하는 것이 목표이며 어디에 나타나는지는 중요하지 않을 때 사용됩니다.

예를 들어 전체 내용에 따라 이미지를 "고양이" 또는 "개"로 레이블링할 수 있습니다. 이는 이미지에 대한 높은 수준의 이해만으로 충분한 작업에 이미지 분류를 유용하게 만듭니다.

Link to this section기존 주석 도구의 한계#

많은 기존 레이블링 도구는 여러 단계와 연결되지 않은 워크플로에 의존합니다. AI 개발 팀은 레이블링, 저장, 검증을 위해 주석 플랫폼 사이를 전환해야 하는 경우가 많으며, 이는 AI 프로젝트 속도를 저하시킵니다.

대부분의 도구는 제한된 주석 유형과 데이터 유형만 지원하므로 팀은 BBox, 세그멘테이션, 키포인트 작업에 서로 다른 도구를 사용하게 됩니다. 이러한 단편화된 설정은 특히 컴퓨터 비전이 처음인 팀에게는 관리하기 어려울 수 있습니다.

수동 작업 또한 주요 과제입니다. 단일 이미지를 주석 처리하는 데는 몇 분밖에 걸리지 않을 수 있지만, 대규모 데이터셋으로 작업하면 특히 유사한 이미지에 반복적인 작업이 포함될 때 시간이 많이 소요됩니다.

데이터셋이 커짐에 따라 팀은 파일 관리, 데이터셋 버전 추적, 주석 전반의 일관성 유지도 수행해야 합니다. 이는 업무량을 가중시켜 데이터 관리에는 더 많은 시간을 쓰고 모델 성능 향상에는 더 적은 시간을 쓰게 만듭니다.

더 효율적인 접근 방식은 Ultralytics Platform 내에서 AI 기반 주석을 사용하는 것입니다. 이 플랫폼은 AI를 사용하여 레이블을 생성 및 수정함으로써 수동 작업을 줄이고 속도와 일관성을 향상시키며 데이터셋 관리, 주석, 모델 학습, 배포, 모니터링을 단일 환경으로 통합합니다.

Link to this sectionUltralytics Platform이 주석 과정을 활성화하는 방법#

Ultralytics Platform은 주석 작업을 나머지 컴퓨터 비전 워크플로와 직접 연결하여 단순화합니다. 별도의 도구에 의존하는 대신 팀은 단일 환경에서 데이터, 주석, 모델로 작업할 수 있습니다.

이 플랫폼은 객체 감지, 이미지 분류, 인스턴스 세그멘테이션, 포즈 추정, OBB 감지를 포함한 다양한 컴퓨터 비전 작업을 지원합니다.

이 설정 내에서 주석 작업은 여러 방식으로 수행될 수 있습니다. 팀은 완벽한 제어를 위해 데이터를 수동으로 레이블링하거나, 인터랙티브한 포인트 기반 레이블링을 위해 SAM 기반 스마트 주석을 사용하거나, 검토 및 수정이 가능한 주석을 자동으로 생성하기 위해 YOLO 기반 스마트 주석을 적용할 수 있습니다. 이러한 유연성 덕분에 다양한 데이터셋 및 주석 요구 사항에 더 쉽게 대응할 수 있습니다.

그림 3. Ultralytics Platform 내 주석 기능 살펴보기 (출처)

AI 기반 주석과 수동 주석이 데이터셋 관리 및 모델 학습과 통합되어 있으므로 팀은 데이터 레이블링에서 데이터셋 정리 및 모델 학습으로 원활하게 전환할 수 있습니다. 이를 통해 워크플로를 체계적으로 유지하고 도구 간 전환이나 주석 형식 재지정의 필요성을 제거합니다.

또한 이 플랫폼은 Ultralytics YOLO11 및 Ultralytics YOLO26과 같은 Ultralytics YOLO 모델을 지원하여 주석이 달린 데이터를 직접 학습 및 테스트에 사용할 수 있게 합니다. 이를 통해 데이터셋의 격차를 식별하고 주석을 개선하며 지속적인 반복을 통해 모델을 재학습하는 것이 더 쉬워집니다.

Link to this sectionUltralytics Platform에서 제공하는 SAM 스마트 주석의 주요 기능#

Ultralytics Platform의 SAM 기반 스마트 주석은 객체 감지, 인스턴스 세그멘테이션, OBB 작업을 위한 주석 작업 속도를 높이도록 설계되었습니다.

이 플랫폼은 SAM 2.1 Tiny, SAM 2.1 Small, SAM 2.1 Base, SAM 2.1 Large 및 SAM 3를 포함한 다양한 SAM 모델 변형을 제공하여 사용자가 속도와 정확성 중 선택할 수 있도록 합니다.

그림 4. Ultralytics Platform에서의 SAM 기반 스마트 주석 (출처)

Tiny나 Small과 같은 더 작은 모델은 빠르고 신속한 주석 워크플로에 적합하며, Large나 SAM 3와 같은 더 큰 모델은 더 복잡한 장면에 대해 더 높은 정확도를 제공합니다. 모델 간 전환 시 주석 동작이 즉시 업데이트됩니다.

주석 편집기 내에서 SAM 모델이 선택되면 주석 작성자는 스마트 모드로 진입하여 레이블링을 시작할 수 있습니다. 모양을 수동으로 그리는 대신 간단한 포인트 기반 입력을 사용하여 모델을 가이드합니다.

왼쪽 클릭은 영역을 포함하기 위한 긍정 포인트를 추가하고, 오른쪽 클릭은 원치 않는 영역을 제외하기 위한 부정 포인트를 추가합니다. 이러한 입력을 기반으로 모델이 실시간으로 정밀한 마스크를 생성합니다.

워크플로 속도를 높이기 위해 자동 적용(auto-apply) 모드를 활성화할 수 있습니다. 이 모드가 활성화되면 클릭할 때마다 수동 확인 없이 주석이 자동으로 생성되고 저장됩니다. 더 복잡한 객체의 경우 주석 작성자는 "Shift" 키를 누른 상태에서 여러 포인트를 배치한 후 마스크를 적용하거나, 자동 적용을 비활성화하여 자유롭게 포인트를 추가한 후 "Enter" 키를 눌러 마스크를 적용할 수 있습니다.

Link to this sectionUltralytics Platform에서 제공하는 YOLO 스마트 주석 이해하기#

SAM 기반 스마트 주석과 유사하게, Ultralytics Platform의 YOLO 스마트 주석은 AI를 사용하여 레이블링 과정을 가속화합니다. 클릭으로 모델을 가이드하는 대신 모델 예측을 사용하여 주석을 자동으로 생성합니다.

이 접근 방식은 객체 감지, 인스턴스 세그멘테이션 및 OBB 주석 작업을 지원합니다. Ultralytics가 제공하는 사전 학습된 모델과 사용자 정의 학습된 YOLO 모델을 포함하여 Ultralytics YOLO 모델에서 구체적으로 작동합니다.

주석 편집기 내에서 주석 작성자는 스마트 모드로 진입하여 모델 선택기에서 YOLO 모델을 선택하고 예측(Predict)을 클릭할 수 있습니다. 모델 선택기에는 현재 데이터셋 작업과 일치하는 YOLO 모델만 표시되므로 생성된 주석이 호환됨을 보장합니다.

모델이 이미지를 분석하고 예측을 기반으로 주석을 생성하며, 이는 이미지에 직접 추가됩니다. 예측 결과가 동일한 클래스의 기존 주석 출력과 겹치는 경우, 중첩이 설정된 임계값을 초과하면 중복 감지 항목이 자동으로 건너뛰어지므로 깔끔하고 일관된 레이블을 유지하는 데 도움이 됩니다.

그림 5. Ultralytics Platform에서 Ultralytics YOLO 모델이 활성화한 스마트 주석 (출처)

예측이 생성되면 Human-in-the-loop 주석 작성자가 필요에 따라 검토, 조정 또는 제거할 수 있습니다. 이를 통해 모든 것을 수동으로 주석 처리하는 대신 모델이 생성한 주석으로 시작하여 개선함으로써 대규모 데이터셋을 빠르게 레이블링하기가 더 쉬워집니다.

시간이 지남에 따라 개선된 YOLO 모델을 재사용하여 더 나은 예측을 생성할 수 있으므로 반복적인 자동 레이블링 워크플로를 지원합니다.

Link to this section실제 파이프라인에 AI 기반 레이블링 적용하기#

다음으로 Ultralytics Platform이 실제 사용 사례에서 데이터 주석 작업을 어떻게 활성화하는지 예시를 통해 살펴보겠습니다.

Link to this section자율 주행에서의 세그멘테이션#

컴퓨터 비전 모델이 통합된 자율 주행 차량은 실시간으로 주변 환경을 이해하기 위해 잘 주석 처리된 시각적 데이터에 의존합니다. 이 데이터로 학습된 모델은 차량, 보행자, 교통 표지판, 도로 경계를 감지하고 세그멘테이션할 수 있습니다.

세그멘테이션 작업은 정밀한 픽셀 수준의 경계가 필요하므로 주석 작업이 중요하면서도 시간이 많이 소요됩니다. 대량의 센서 데이터를 수동으로 레이블링하는 것은 특히 복잡한 주행 환경에서 빠르게 병목 현상이 될 수 있습니다.

Ultralytics Platform은 SAM 및 YOLO 모델을 모두 사용하는 AI 기반 주석으로 이 과정을 간소화합니다. SAM 기반 스마트 주석은 정밀한 마스크를 사용하여 빠르고 클릭 기반의 세그멘테이션을 가능하게 하며, YOLO 모델은 이미지 전반에 걸쳐 주석을 자동으로 생성하는 데 사용될 수 있습니다.

함께 사용하면 이러한 접근 방식은 객체가 겹치는 복잡한 장면을 더 쉽게 처리할 수 있게 합니다.

주석 작업이 모델 학습과 직접 연결되어 있으므로 업데이트된 대규모 데이터셋을 즉시 사용하여 모델을 재학습하고 평가할 수 있습니다. 이를 통해 팀은 지속적으로 성능을 향상하고 새로운 주행 조건에 더 효율적으로 적응할 수 있습니다.

Link to this section제조 분야의 품질 보증 시스템 강화#

제조 분야에서 일관된 품질 관리를 유지하는 것은 생산 중 결함을 정확하게 감지하는 데 달려 있습니다. 컴퓨터 비전 모델은 실시간으로 문제를 식별하는 데 자주 사용되지만, 성능은 학습 데이터가 실제 생산 조건을 얼마나 잘 반영하는지에 따라 달라집니다.

원자재 변화, 기계 설정 변경, 조명 변화와 같은 제조 환경의 변화는 원래 학습 데이터에 포함되지 않았던 새롭고 희귀한 결함 유형을 도입할 수 있습니다. 이는 모델이 학습한 내용과 생산 라인에 나타나는 내용 사이에 격차를 만듭니다.

이를 정렬된 상태로 유지하려면 고품질의 사내 주석으로 데이터셋을 정기적으로 업데이트해야 합니다. Ultralytics Platform은 새로운 결함 패턴이 나타날 때 주석을 업데이트하고 데이터셋을 확장하는 것을 간단하게 만듭니다. 이러한 업데이트된 데이터셋은 모델을 재학습하는 데 사용할 수 있으므로 팀이 변화하는 생산 조건에 더 빠르게 적응할 수 있도록 돕습니다.

Link to this section건설 현장 모니터링 및 안전#

건설 현장은 여러 팀, 움직이는 장비, 지속적으로 변경되는 레이아웃을 가진 역동적인 환경입니다. 이러한 조건에서 안전을 유지하는 것은 명확하고 잘 주석 처리된 시각적 데이터에 달려 있습니다.

정확한 주석은 데이터 품질을 높이고 AI 시스템이 혼잡한 장면, 변화하는 배경, 다양한 조명을 포함한 다양한 현장 조건에서 작업자, 장비, 안전 장비 및 잠재적 위험을 식별하도록 도울 수 있습니다.

Ultralytics Platform은 현장 조건이 변화함에 따라 주석을 쉽게 업데이트하고 수정할 수 있도록 하여 이를 지원합니다. 새로운 이미지를 캡처하여 데이터셋에 추가함으로써 실제 시나리오와 일치하는 상태를 유지할 수 있습니다.

Link to this section핵심 요약#

고품질 주석은 신뢰할 수 있는 컴퓨터 비전 및 AI 모델을 구축하는 데 필수적이지만 기존 워크플로는 종종 팀의 속도를 저하시킵니다. Ultralytics Platform은 자동화된 주석 도구와 확장 가능한 워크플로를 통해 이 과정을 간소화합니다. 결과적으로 팀은 정확성과 일관성을 유지하면서 데이터에서 모델까지 더 빠르게 이동할 수 있습니다.

컴퓨터 비전에 대해 더 알아보려면 성장 중인 커뮤니티와 GitHub 저장소를 확인해 보십시오. 비전 솔루션을 구축하려는 경우 당사의 라이선스 옵션을 살펴보십시오. 제조 분야의 컴퓨터 비전 및 의료 분야의 AI의 이점에 대해 자세히 알아보려면 솔루션 페이지를 탐색해 보십시오.