Ultralytics Platform으로 이미지 어노테이션 간소화하기

Ultralytics는 최근 컴퓨터 비전 개발의 전체 수명 주기를 지원하도록 구축된 환경인 Ultralytics Platform을 소개했습니다. 이 플랫폼은 데이터셋 준비, 이미지 및 동영상 어노테이션, 모델 학습, 배포를 비롯해 비전 AI 워크플로의 여러 단계를 관리하는 데 사용되는 도구를 중앙화합니다.

자율주행 및 헬스케어와 같은 산업 전반에서 도입이 확대되고 있지만, 컴퓨터 비전 솔루션 구축은 여전히 여러 단계가 분리된 프로세스로 인식될 수 있습니다. 주요 이유 중 하나는 컴퓨터 비전 모델이 학습 데이터의 품질에 크게 의존하기 때문입니다. 학습을 시작하기 전에도 모델이 무엇을 감지하거나 인식해야 하는지 학습할 수 있도록 데이터셋을 생성하고, 구성하고, 검토하고, 라벨링해야 합니다.

비주얼 데이터를 다룰 때 이 프로세스를 데이터 어노테이션 또는 이미지 어노테이션이라고 합니다. 이미지 어노테이션 중에는 이미지의 특정 부분을 표시하고 라벨을 할당하여 학습 중 모델을 안내합니다.

예를 들어 이미지에서 개를 감지하는 것이 목표라면 어노테이터는 각 개 주위에 바운딩 박스를 그려 개가 나타나는 위치를 표시할 수 있습니다. 더 세부적인 작업에서는 세그멘테이션 마스크를 사용해 개의 형태를 윤곽선으로 나타내거나 키포인트를 표시하여 자세를 포착할 수 있습니다. 이러한 라벨이 지정된 예시는 모델을 배포한 후의 성능에 직접적인 영향을 줍니다.

대규모 이미지 어노테이션 워크플로를 관리하는 일은 어려울 수 있습니다. 대규모 데이터셋에는 일관된 라벨링 표준, 여러 어노테이터 간의 협업, 어노테이션을 더 쉽게 검토하고 개선할 수 있는 도구가 필요한 경우가 많습니다.

Ultralytics Platform은 기본 제공 어노테이션 에디터를 통해 이를 통합합니다. 여러 어노테이션 작업 유형을 지원하며, 팀이 단일 워크플로 내에서 데이터를 더 간편하게 라벨링하고 컴퓨터 비전 데이터셋을 준비할 수 있도록 합니다.

그림 1. Ultralytics Platform의 어노테이션 에디터 살펴보기 (출처)

이 글에서는 Ultralytics Platform의 어노테이션 에디터가 팀의 데이터셋 어노테이션을 효율적으로 수행하고 데이터 준비를 간소화하는 방법을 살펴봅니다. 시작해 보겠습니다!

컴퓨터 비전의 데이터 어노테이션#

Ultralytics Platform에서 제공되는 이미지 어노테이션 도구를 살펴보기 전에, 잠시 한 걸음 물러나 데이터 어노테이션이 무엇이며 컴퓨터 비전 시스템 구축에서 왜 중요한지 알아보겠습니다.

컴퓨터 비전 모델은 데이터셋이라고 하는 대규모 이미지 또는 동영상 모음을 분석하며 학습합니다. 그러나 원시 이미지만으로는 모델이 무엇을 감지하거나 인식해야 하는지 이해하기에 충분한 정보를 제공하지 못합니다. 학습에 데이터를 활용하려면 데이터 라벨링을 통해 이미지에 라벨을 지정해야 모델이 어떤 객체, 형태 또는 패턴을 찾아야 하는지 학습할 수 있습니다.

이미지 어노테이션 중에는 이미지 내의 특정 요소를 표시하고 모델이 학습해야 할 내용을 설명하는 라벨을 할당합니다. 이러한 라벨이 지정된 예시는 학습 중 딥러닝 모델과 알고리즘을 안내하며, 새로운 이미지를 처리할 때 유사한 패턴을 인식하도록 돕습니다.

컴퓨터 비전 작업마다 애플리케이션과 사용 사례에 따라 서로 다른 유형의 이미지 어노테이션이 필요합니다. 예를 들어 어노테이터는 객체 감지를 위해 객체 주위에 바운딩 박스를 그리고, 시맨틱 세그멘테이션을 위해 이미지 내 영역의 윤곽을 표시하며, 포즈 추정을 위해 키포인트를 정의하거나, 분류를 위해 전체 이미지에 라벨을 할당할 수 있습니다.

데이터 관리 및 준비#

컴퓨터 비전 프로젝트를 위한 데이터 준비에는 다양한 파일 형식으로 작업하고 데이터셋을 구성하는 과정이 포함되는 경우가 많습니다. 또한 머신러닝 알고리즘의 어노테이션 및 학습에 필요한 모든 준비가 완료되었는지 확인하는 과정도 포함됩니다. 많은 워크플로에서 이 프로세스는 여러 도구에 분산되어 있으며, 데이터를 사용하기 전에 업로드하고 정제한 후 시스템 간에 이동해야 합니다.

Ultralytics Platform은 단일 환경에서 데이터 준비, 모델 학습 및 배포를 처리하여 이 과정을 간소화합니다. 팀은 이미지, 동영상 또는 데이터셋 아카이브를 업로드하고 수동 또는 AI 자동화 어노테이션을 사용해 데이터를 완전히 맞춤형으로 준비할 수 있습니다. Ultralytics Platform은 원시 데이터와 YOLO 및 COCO와 같은 표준 형식을 모두 지원하므로 새 프로젝트를 쉽게 시작할 수 있습니다. 또한 주석이 포함된 데이터셋을 비롯해 플랫폼에 있는 기존 데이터셋에 액세스할 수 있어 팀이 새 프로젝트나 실험을 빠르게 시작할 수 있습니다.

그림 2. Ultralytics Platform의 단일 환경에서 데이터셋을 업로드하고 관리합니다. (출처)

데이터를 사용할 수 있게 되면 플랫폼에서 직접 관리할 수 있습니다. 개발자는 이미지를 검토하고, 어노테이션 진행 상황을 모니터링하며, 기본 제공 시각화를 사용해 데이터셋 분포를 파악하고 잠재적인 누락을 식별할 수 있습니다.

또한 플랫폼은 데이터셋 버전 관리를 지원하여 데이터가 발전함에 따라 팀이 데이터의 스냅샷을 기록할 수 있도록 합니다. 이를 통해 변경 사항을 추적하고, 실험을 비교하며, 학습 중 일관성을 유지하기가 더 쉬워집니다.

데이터가 준비되면 팀은 이미지에 어노테이션을 추가하는 단계로 넘어갈 수 있으며, 이미지에 라벨을 지정하여 모델이 무엇을 감지해야 하는지 학습하도록 지원합니다.

Ultralytics Platform에서 데이터셋 어노테이션 추가#

데이터를 업로드한 후 다음 단계는 어노테이션입니다. 이 단계에서 이미지 데이터에 라벨을 지정하여 컴퓨터 비전 모델 학습의 기반을 마련합니다. Ultralytics Platform은 어노테이션 에디터를 통해 기본 제공 이미지 어노테이션 서비스를 제공하며, 팀이 동일한 환경 내에서 직접 데이터셋에 라벨을 지정하고 관리할 수 있도록 합니다.

어노테이션 에디터는 사용자가 이미지를 검토하고, 라벨을 추가하며, 필요에 따라 어노테이션을 업데이트할 수 있는 간단한 작업 공간으로 구성되어 있습니다. 모든 항목이 한곳에 정리되어 데이터셋의 일관성을 유지하고 데이터 학습에 사용할 준비를 하기가 더 쉬워집니다.

팀은 브라우저에서 직접 데이터셋을 업로드하고 이미지 라벨링을 시작할 수 있으며, 어노테이션 클래스를 정의하고 관리하여 데이터셋 전체에서 라벨의 일관성을 유지할 수 있습니다. 어노테이션이 생성되면 사용자는 에디터에서 시각적으로 검토할 수 있으므로 모델 학습으로 넘어가기 전에 정확성을 확인하기가 더 쉽습니다.

Ultralytics Platform의 이미지 어노테이션 도구#

Ultralytics Platform에는 효율적인 데이터셋 라벨링 워크플로를 지원하는 여러 기능도 포함되어 있으며, 고급 알고리즘을 사용해 어노테이션 프로세스를 간소화합니다.

Ultralytics Platform에서 사용할 수 있는 주요 기능은 다음과 같습니다.

• 수동 어노테이션: 이 방식에서는 사용자가 이미지 위에 바운딩 박스, 세그멘테이션 영역 또는 키포인트와 같은 이미지 어노테이션을 직접 생성하면서 완전한 제어권과 유연성을 확보할 수 있습니다.
• AI 지원 라벨링: 이 기능은 제안 어노테이션을 자동으로 생성하여 수동 라벨링의 필요성을 줄입니다. SAM을 사용해 클릭 한 번으로 객체 또는 영역을 감지하고, 사용자가 데이터셋에 추가하기 전에 제안을 검토하고 확인할 수 있도록 하여 어노테이션 프로세스를 간소화합니다.
• 어노테이션 편집: 사용자는 어노테이션을 생성한 후에도 언제든지 이미지 어노테이션을 수정하거나 개선할 수 있습니다. 이를 통해 라벨링 오류를 수정하고 어노테이션 프로세스 전반에서 데이터셋 라벨의 일관성을 유지할 수 있습니다.
• 클래스 관리: 팀과 개인 개발자는 데이터셋 라벨링 중에 사용할 어노테이션 클래스를 정의하고 구성할 수 있습니다. 이를 통해 이미지 전반에서 라벨의 일관성을 유지할 수 있으며, 이는 클래스를 정확하게 인식하고 구분하는 모델을 학습하는 데 중요합니다.

Ultralytics Platform은 수동 도구, 인공지능 및 자동화를 결합하여 사용자가 이미지를 더 효율적으로 어노테이션할 수 있도록 지원합니다. 또한 확장 가능한 컴퓨터 비전 모델을 위한 고품질 학습 데이터를 준비할 수 있도록 합니다.

지원되는 어노테이션 작업 유형#

제품 품질 보증과 같은 다양한 사용 사례에서는 이미지 또는 동영상에서 무엇을 감지해야 하는지에 따라 서로 다른 어노테이션 유형이 필요합니다. 앞서 살펴본 것처럼 Ultralytics Platform은 각각 고유한 어노테이션 유형을 사용하는 5가지 객체 감지 작업을 지원합니다.

플랫폼에서 지원되는 어노테이션 작업과 이를 데이터셋 라벨링에 활용하는 방법을 자세히 살펴보겠습니다.

객체 감지#

객체 감지는 이미지 내 객체를 식별하고 위치를 찾습니다. 어노테이터는 관심 있는 각 객체에 바운딩 박스를 사용해 표시하고, 이미지에서 해당 항목이 나타나는 위치를 나타냅니다.

어노테이션 에디터에서는 바운딩 박스 도구를 사용해 이 작업을 수행합니다. 사용자는 “편집 모드”로 들어간 후 클릭하고 드래그하여 객체 주위에 사각형을 그리고, 드롭다운 메뉴에서 클래스 라벨을 할당할 수 있습니다.

바운딩 박스는 생성한 후에도 조정할 수 있습니다. 어노테이터는 모서리 또는 가장자리 핸들을 드래그하여 크기를 조정하고, 박스 중앙을 드래그하여 이동하거나, 키보드 단축키를 사용해 삭제할 수 있습니다. 이러한 어노테이션은 비전 모델이 다양한 장면과 조건에서 객체를 감지하도록 학습하는 데 도움을 줍니다.

그림 3. Ultralytics Platform에서 바운딩 박스를 사용한 객체 감지 어노테이션. (출처)

인스턴스 세그멘테이션#

인스턴스 세그멘테이션은 이미지 내 객체의 정확한 형태를 정의하여 더 상세한 어노테이션을 제공합니다. 단순한 박스를 그리는 대신 어노테이터는 폴리곤 어노테이션을 사용해 객체의 경계를 추적하고 이미지 세그멘테이션 작업을 위한 정밀한 마스크를 생성합니다.

어노테이션 에디터에는 이 작업을 위한 폴리곤 도구가 포함되어 있습니다. 어노테이터는 객체 가장자리 주변에 여러 꼭짓점을 배치하여 형태의 윤곽을 표시합니다. 꼭짓점을 배치한 후 폴리곤을 닫아 세그멘테이션 마스크를 생성할 수 있습니다.

폴리곤을 생성한 후에도 꼭짓점을 조정할 수 있습니다. 개별 점을 이동하여 객체 경계를 개선할 수 있으며, 필요한 경우 꼭짓점을 제거할 수 있습니다. 이러한 픽셀 수준의 어노테이션은 모델이 세부적인 시각 구조를 학습하고 서로 가까이 나타나는 객체를 구분하도록 지원합니다.

포즈 추정#

포즈 추정 어노테이션은 신체 관절의 위치와 관절 간 관계를 포착합니다. 이를 통해 모델은 이미지 속 사람이나 동물의 구조와 움직임을 이해할 수 있습니다.

키포인트 도구를 사용하여 어노테이터는 어깨, 팔꿈치, 손목, 엉덩이, 무릎, 발목과 같은 신체 관절을 나타내는 키포인트를 배치합니다. 플랫폼은 17개 포인트의 COCO 인간 포즈 형식을 비롯해 손, 얼굴, 개 및 박스 모서리용 템플릿 등 여러 기본 제공 스켈레톤 템플릿을 지원합니다.

템플릿을 사용하면 클릭 한 번으로 전체 스켈레톤 레이아웃을 배치할 수 있으며, 이후 개별 키포인트를 조정하여 이미지 속 포즈에 맞출 수 있습니다. 각 키포인트에는 가시성 플래그를 포함하여 해당 키포인트가 보이는지 또는 가려져 있는지 나타낼 수도 있습니다.

그림 4. 키포인트와 스켈레톤 템플릿을 사용한 포즈 추정 어노테이션. (출처)

회전된 바운딩 박스(OBB)#

회전된 바운딩 박스는 회전을 지원하여 기존 바운딩 박스를 한 단계 확장합니다. 이 어노테이션 유형은 객체가 이미지 프레임에 맞춰 정렬되지 않고 각도를 이루어 나타날 때 유용합니다.

어노테이션 에디터에서 어노테이터는 회전된 바운딩 박스 도구를 사용해 객체 주위에 회전된 사각형을 그릴 수 있습니다. 초기 박스를 그린 후 회전 핸들을 사용해 각도를 조정하고, 모서리 핸들을 사용해 박스 크기를 조정할 수 있습니다.

회전된 어노테이션은 항공 이미지, 산업 검사 데이터셋 및 객체가 대각선 방향이나 다양한 시점에서 나타나는 기타 시나리오에서 자주 사용됩니다.

그림 5. 항공 이미지에서 회전된 객체를 위한 회전된 바운딩 박스(OBB) 어노테이션. (출처)

이미지 분류#

이미지 분류는 이미지 내 개별 객체를 표시하는 대신 전체 이미지에 라벨을 할당합니다.

분류 데이터셋의 경우 어노테이션 에디터에서 클래스 선택기 패널을 제공합니다. 어노테이터는 사이드바에서 클래스를 선택하거나 키보드 단축키를 사용하여 이미지에 라벨을 지정할 수 있으므로 더 빠르게 라벨링할 수 있습니다.

이러한 이미지 수준 라벨은 모델이 다양한 카테고리를 나타내는 고수준 시각 패턴을 학습하도록 지원합니다.

SAM을 활용한 AI 지원 어노테이션#

세그멘테이션과 같은 작업을 위해 이미지를 라벨링하려면 특히 객체의 윤곽을 정밀하게 표시해야 할 때 세심하고 상세한 작업이 필요한 경우가 많습니다. Ultralytics Platform에는 어노테이션을 정확하고 쉽게 검토할 수 있도록 유지하면서 프로세스를 가속하는 AI 지원 어노테이션 도구가 포함되어 있습니다.

예를 들어 어노테이터는 어노테이션에 포함하려는 객체의 부분을 클릭하여 이미지와 상호작용할 수 있습니다. 결과를 개선하기 위해 제외해야 하는 영역을 표시할 수도 있습니다. 이러한 입력을 바탕으로 모델은 실시간으로 세그멘테이션 마스크를 생성하며, 저장하기 전에 이를 검토하고 조정할 수 있습니다.

이 방식은 모든 세부 사항을 수동으로 추적하지 않고도 복잡한 이미지를 더 쉽게 처리할 수 있도록 합니다. 동시에 어노테이터는 최종 결과물을 계속 제어하므로 데이터셋 전체에서 어노테이션의 일관성을 유지할 수 있습니다.

그림 6. Ultralytics Platform의 Smart 어노테이션 도구를 사용한 AI 지원 세그멘테이션. (출처)

이러한 기능은 Segment Anything 모델(SAM)을 기반으로 합니다. 이러한 모델은 최소한의 입력으로 고품질 세그멘테이션을 생성하도록 설계된 더 광범위한 오픈 소스 컴퓨터 비전 도구 생태계의 일부입니다. 플랫폼은 SAM 2.1 및 SAM 3을 비롯한 여러 SAM 변형을 지원합니다. 따라서 팀은 필요에 따라 더 빠른 성능과 더 상세한 결과 중에서 유연하게 선택할 수 있습니다.

이러한 AI 지원 도구는 객체 감지, 인스턴스 세그멘테이션 및 회전된 바운딩 박스 감지와 같은 작업 전반에 적용할 수 있습니다. 이를 통해 팀은 신뢰할 수 있는 모델 학습에 필요한 품질을 유지하면서 대규모 데이터셋을 더 효율적으로 처리할 수 있습니다.

기본 제공 도구로 어노테이션 워크플로 개선#

어노테이션 작업이 진행되면 라벨을 다시 조정하거나 오류를 수정하거나 이미지를 더 자세히 검토하기 위해 이전 단계로 돌아가는 일이 흔합니다. Ultralytics 어노테이션 에디터에는 이러한 일상적인 작업을 더 쉽고 빠르게 처리할 수 있는 기본 제공 도구가 포함되어 있습니다.

에디터에서 사용할 수 있는 워크플로 기능은 다음과 같습니다.

• 키보드 단축키: 에디터에는 어노테이션 저장, 변경 사항 실행 취소 또는 다시 실행, 라벨 삭제, 어노테이션 중 클래스 선택과 같은 일반적인 작업을 빠르게 수행할 수 있는 단축키가 포함되어 있습니다.
• 실행 취소 및 다시 실행 기록: 어노테이터는 편집 세션 중 수행한 변경 사항을 쉽게 되돌리거나 복원할 수 있습니다. 이를 통해 팀은 어노테이션을 실험하고 진행 상황을 잃지 않고 오류를 빠르게 수정할 수 있어 데이터셋 준비 중 더 나은 품질 관리를 지원합니다.
• 유연한 어노테이션 편집: 어노테이션은 생성한 후에도 조정할 수 있습니다. 사용자는 필요에 따라 도형 크기를 조정하고, 어노테이션을 이동하고, 회전된 바운딩 박스를 회전하거나, 클래스 라벨을 업데이트할 수 있으며, 특히 불규칙한 형태의 객체를 개선할 때 유용합니다.
• 가시성 제어: 에디터에는 사용자가 어노테이션과 클래스 라벨을 표시하거나 숨길 수 있는 가시성 토글이 포함되어 있어 라벨링 중 이미지를 더 쉽게 검사할 수 있습니다.
• 정밀 도구: 확대/축소와 픽셀 좌표가 표시되는 십자선 커서와 같은 기능을 통해 어노테이터는 세부적인 이미지에서 라벨을 더 정확하게 배치할 수 있습니다.

Ultralytics Platform에서 어노테이션 클래스 관리#

명확하고 일관된 어노테이션 클래스는 신뢰할 수 있는 컴퓨터 비전 데이터셋 구축에서 중요한 역할을 합니다. 프로젝트가 성장하면 대규모 데이터셋 전반의 데이터 라벨링 관리가 어려워질 수 있으며, 특히 여러 어노테이터가 참여하는 경우 더욱 그렇습니다. 클래스를 잘 구성하면 어노테이션의 일관성을 유지하고 모델이 구조화된 데이터로부터 학습하도록 지원할 수 있습니다.

Ultralytics Platform은 클래스 관리를 어노테이션 에디터에 직접 통합하여 이 과정을 간소화합니다. 팀은 라벨을 별도로 관리하는 대신 이미지 작업 중에 클래스를 생성하고, 업데이트하고, 검토할 수 있으므로 어노테이션 워크플로 전반에서 일관성을 유지하기가 더 쉬워집니다.

에디터에서는 모든 클래스를 어노테이션 캔버스 옆의 사이드바에서 확인할 수 있습니다. 이를 통해 어노테이션 중 올바른 라벨을 쉽게 선택하고 데이터셋 전반에서 클래스가 어떻게 사용되는지 추적할 수 있습니다. 사용자는 기존 클래스를 검색하거나 필요에 따라 새 클래스를 생성할 수 있으며, 워크플로를 중단할 필요가 없습니다.

클래스 세부 정보도 언제든지 업데이트할 수 있습니다. 이름은 직접 편집할 수 있고, 색상을 지정하여 어노테이션 전반에서 서로 다른 클래스를 더 쉽게 식별할 수 있습니다. 에디터에는 각 클래스에 연결된 어노테이션 수가 표시되며 이를 검토할 수 있어 팀이 일관성과 정확성을 확인하는 데 도움을 줍니다.

모든 클래스는 중앙화된 테이블에서 관리하며, 이 테이블에서 클래스를 정렬하고 검색하고 업데이트할 수 있습니다. 여기에서 변경한 사항은 데이터셋 전체에 자동으로 적용되어 어노테이션 프로젝트가 확장될 때 팀이 일관성을 유지하도록 지원합니다.

그림 7. 어노테이션 에디터의 클래스 관리에서 라벨 구성과 색상 맞춤 설정을 보여줍니다. (출처)

어노테이션 품질이 실제 성능에 미치는 영향#

컴퓨터 비전 시스템이 개발 단계에서 실제 사용 단계로 전환되면 어노테이션 데이터의 품질이 모델 성능에 중요한 역할을 합니다. 라벨이 잘 지정된 데이터셋은 특히 역동적이거나 예측하기 어려운 환경에서 모델이 더 정확하고 일관된 예측을 생성하도록 지원합니다.

실제로 어노테이션의 작은 불일치도 모델의 동작에 영향을 줄 수 있습니다. 객체에 라벨을 지정하는 방식이나 예외 상황을 처리하는 방식의 차이는 학습 중에는 명확하지 않을 수 있지만, 시스템을 배포한 후 예측의 신뢰도를 낮출 수 있습니다.

또한 이러한 불일치는 실제 애플리케이션에서 더욱 두드러질 수 있습니다. 예를 들어 로보틱스 및 헬스케어 시스템에서 모델은 시각적 입력에 의존하여 객체를 감지하고 실시간으로 동작을 안내합니다. 라벨링의 차이는 이러한 시스템이 주변 환경을 해석하는 정확도에 영향을 줄 수 있습니다.

일관된 어노테이션 방식을 유지하고 Ultralytics와 같은 플랫폼을 사용해 시간이 지남에 따라 데이터셋을 관리하고 개선하면, 팀은 통제된 테스트 환경을 넘어 더욱 안정적으로 작동하는 모델을 구축할 수 있습니다.

핵심 요점#

고품질 데이터 어노테이션은 정확한 컴퓨터 비전 모델을 학습하고 성공적인 이미지 어노테이션 프로젝트를 지원하는 데 필수적입니다. Ultralytics Platform은 여러 비전 작업을 지원하는 강력한 어노테이션 에디터를 통해 이 과정을 간소화합니다. 수동 어노테이션 도구와 SAM을 활용한 AI 지원 라벨링, 기본 제공 워크플로 기능을 결합하여 팀은 데이터셋을 더 효율적으로 준비하고 데이터 준비에서 모델 개발까지 더 빠르게 진행할 수 있습니다.

커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 컴퓨터 비전 모델에 대해 자세히 알아보세요. 솔루션 페이지에서 자동차 분야의 AI 및 로보틱스의 컴퓨터 비전과 같은 애플리케이션에 대해 읽어보세요. 라이선스 옵션을 확인하고 직접 비전 AI 모델 구축을 시작해 보세요.