Ultralytics Platform으로 이미지 어노테이션 간소화하기

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

자율 주행 및 헬스케어와 같은 산업에서 도입이 늘고 있지만, 컴퓨터 비전 솔루션 구축은 여전히 여러 단계가 분산된 프로세스로 여겨질 수 있습니다. 주요 원인 중 하나는 컴퓨터 비전 모델이 학습 데이터의 품질에 크게 좌우된다는 점입니다. 학습을 시작하기 전에 모델이 탐지하거나 인식할 대상을 학습할 수 있도록 데이터셋을 만들고, 정리하고, 검토하고, 라벨링해야 합니다.

시각 데이터를 다룰 때 이 과정을 데이터 어노테이션 또는 이미지 어노테이션이라고 합니다. 이미지 어노테이션에서는 이미지의 특정 부분을 표시하고 라벨을 지정해 학습 과정에서 모델을 안내합니다.

예를 들어 이미지에서 개를 탐지하는 것이 목표라면, 어노테이터는 각 개 주변에 바운딩 박스를 그려 이미지 내 위치를 표시할 수 있습니다. 더 세부적인 작업에서는 세그멘테이션 마스크로 개의 형태를 윤곽선으로 표시하거나 키포인트를 표시해 자세를 포착할 수 있습니다. 이렇게 라벨링된 예시는 배포 후 모델의 성능에 직접적인 영향을 미칩니다.

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

Ultralytics Platform은 기본 제공되는 어노테이션 에디터를 통해 이러한 기능을 한곳에 모읍니다. 여러 어노테이션 작업 유형을 지원하며, 팀이 단일 워크플로에서 데이터를 더 간편하게 라벨링하고 컴퓨터 비전 데이터셋을 준비할 수 있도록 합니다.

그림 1. Ultralytics Platform의 어노테이션 에디터 (출처)

이 글에서는 Ultralytics Platform의 어노테이션 에디터가 팀의 데이터셋 어노테이션 작업을 효율화하고 데이터 준비 과정을 간소화하는 방법을 살펴보겠습니다.

컴퓨터 비전에서의 데이터 어노테이션#

Ultralytics Platform에서 사용할 수 있는 이미지 어노테이션 도구를 살펴보기 전에, 컴퓨터 비전 시스템 구축에서 데이터 어노테이션이 무엇이며 왜 중요한지 이해하기 위해 한 걸음 물러서서 살펴보겠습니다.

컴퓨터 비전 모델은 데이터셋이라고 하는 대규모 이미지 또는 동영상 모음을 분석하며 학습합니다. 하지만 원본 이미지만으로는 모델이 무엇을 탐지하거나 인식해야 하는지 이해하기에 정보가 충분하지 않습니다. 학습에 유용한 데이터로 만들려면 데이터 라벨링을 통해 이미지에 라벨을 지정해야 모델이 어떤 객체, 형태 또는 패턴을 찾아야 하는지 학습할 수 있습니다.

이미지 어노테이션 중에는 이미지의 특정 요소를 표시하고 모델이 학습해야 할 내용을 설명하는 라벨을 지정합니다. 이러한 라벨링된 예시는 학습 과정에서 딥러닝 모델과 알고리즘을 안내하고, 새로운 이미지를 처리할 때 유사한 패턴을 인식하도록 돕습니다.

컴퓨터 비전 작업 유형마다 애플리케이션과 사용 사례에 따라 서로 다른 이미지 어노테이션 방식이 필요합니다. 예를 들어, 객체 탐지를 위해 객체 주변에 바운딩 박스를 그리거나, 시맨틱 세그멘테이션을 위해 이미지의 영역을 윤곽선으로 표시하거나, 포즈 추정을 위해 키포인트를 정의하거나, 이미지 분류를 위해 이미지 전체에 라벨을 지정할 수 있습니다.

데이터 관리 및 준비#

컴퓨터 비전 프로젝트를 위한 데이터 준비에는 다양한 파일 형식을 다루고 데이터셋을 정리하는 과정이 포함되는 경우가 많습니다. 또한 머신러닝 알고리즘의 어노테이션 및 학습에 필요한 모든 준비가 완료되었는지 확인해야 합니다. 많은 워크플로에서 데이터가 업로드되고 정제된 뒤 시스템 간에 이동하므로, 이 과정이 여러 도구에 분산되어 있습니다.

Ultralytics Platform은 단일 환경에서 데이터 준비, 모델 학습, 배포를 처리해 이러한 과정을 간소화합니다. 팀은 이미지, 동영상 또는 데이터셋 아카이브를 업로드하고, 수동 또는 AI 자동 어노테이션을 활용해 데이터를 자유롭게 맞춤형으로 준비할 수 있습니다. Ultralytics Platform은 원시 데이터와 YOLO 및 COCO 같은 표준 형식을 모두 지원하므로 새 프로젝트를 쉽게 시작할 수 있습니다. 또한 어노테이션이 포함된 데이터셋을 비롯해 플랫폼에 이미 있는 데이터셋에도 접근할 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, 내장 시각화를 사용해 데이터셋 분포를 파악하고 잠재적인 누락 요소를 찾을 수 있습니다.

이 플랫폼은 데이터셋 버전 관리도 지원하므로 데이터가 변화하는 과정의 스냅샷을 기록할 수 있습니다. 이를 통해 변경 사항을 추적하고, 실험을 비교하며, 학습 과정에서 일관성을 유지하기가 쉬워집니다.

데이터 준비가 끝나면 팀은 모델이 탐지할 대상을 학습할 수 있도록 이미지에 라벨을 지정하는 어노테이션 단계로 넘어갈 수 있습니다.

Ultralytics Platform에서 데이터셋 어노테이션하기#

데이터를 업로드한 다음 단계는 어노테이션입니다. 이 단계에서는 이미지 데이터에 라벨을 지정해 컴퓨터 비전 모델 학습의 기반을 마련합니다. Ultralytics Platform에는 어노테이션 에디터를 통한 이미지 어노테이션 서비스가 내장되어 있어, 팀이 동일한 환경에서 직접 데이터셋에 라벨을 지정하고 관리할 수 있습니다.

어노테이션 에디터는 사용자가 이미지를 검토하고, 라벨을 추가하고, 필요한 대로 어노테이션을 업데이트할 수 있는 간단한 작업 공간을 제공합니다. 모든 항목이 한곳에 정리되어 있어 데이터셋의 일관성을 유지하고 학습에 바로 사용할 수 있도록 준비하기가 더 쉽습니다.

팀은 데이터셋을 업로드한 뒤 브라우저에서 직접 이미지에 라벨을 지정하고, 어노테이션 클래스를 정의 및 관리해 데이터셋 전체의 라벨 일관성을 유지할 수 있습니다. 어노테이션을 생성하면 사용자가 에디터에서 시각적으로 검토할 수 있어 모델 학습에 앞서 정확성을 확인하기가 더 쉽습니다.

Ultralytics Platform의 이미지 어노테이션 도구#

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

Ultralytics Platform에서 사용할 수 있는 주요 기능은 다음과 같습니다.

• 수동 어노테이션: 이 방식은 이미지에서 직접 바운딩 박스, 세그멘테이션 영역, 키포인트 등의 이미지 어노테이션을 생성할 때 사용자에게 완전한 제어권과 유연성을 제공합니다.
• AI 지원 라벨링: 이 기능은 제안된 어노테이션을 자동으로 생성해 수동 라벨링의 필요성을 줄입니다. SAM(모든 것을 분할하는 모델)을 사용해 한 번의 클릭으로 객체나 영역을 탐지하므로 어노테이션 과정을 간소화할 수 있습니다. 사용자는 제안 내용을 검토하고 확인한 뒤 데이터셋에 추가할 수 있습니다.
• 어노테이션 편집: 사용자는 이미지 어노테이션을 생성한 뒤 언제든지 수정하거나 다듬을 수 있습니다. 이를 통해 라벨링 오류를 바로잡고 어노테이션 과정 전반에서 데이터셋 라벨의 일관성을 유지할 수 있습니다.
• 클래스 관리: 팀과 개인 개발자는 데이터셋 라벨링에 사용할 어노테이션 클래스를 정의하고 정리할 수 있습니다. 이를 통해 이미지 전반의 라벨 일관성을 유지할 수 있으며, 모델이 클래스를 정확하게 인식하고 구별하도록 학습시키는 데 중요합니다.

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

지원되는 어노테이션 작업 유형#

제품 품질 보증과 같은 사용 사례마다 이미지나 동영상에서 탐지해야 하는 대상에 따라 서로 다른 유형의 어노테이션이 필요합니다. 앞서 간략히 살펴본 것처럼 Ultralytics Platform은 여러 컴퓨터 비전 작업을 지원하며, 각 작업에는 고유한 어노테이션 유형이 있습니다.

플랫폼에서 지원하는 어노테이션 작업 다섯 가지를 자세히 살펴보고, 데이터셋 라벨링에 이를 어떻게 활용할 수 있는지 알아보겠습니다.

객체 탐지#

객체 탐지는 이미지 내 객체를 식별하고 위치를 찾습니다. 어노테이터는 관심 객체마다 바운딩 박스를 표시해 이미지에서 객체가 나타나는 위치를 나타냅니다.

어노테이션 에디터에서는 바운딩 박스 도구를 사용합니다. 기본 Draw 모드에서 사용자는 클릭한 뒤 드래그하여 객체 주위에 사각형을 그리고 클래스 라벨을 지정할 수 있습니다.

바운딩 박스는 생성한 뒤에도 조정할 수 있습니다. 어노테이터는 모서리나 가장자리 핸들을 드래그해 크기를 조정하고, 박스 중앙을 드래그해 이동하거나, 키보드 단축키를 사용해 삭제할 수 있습니다. 이러한 어노테이션은 비전 모델이 다양한 장면과 조건에서 객체를 탐지하도록 학습하는 데 도움이 됩니다.

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

인스턴스 분할#

인스턴스 세그멘테이션은 이미지 내 객체의 정확한 형태를 정의하여 더욱 상세한 어노테이션을 제공합니다. 간단한 박스를 그리는 대신, 어노테이터는 폴리곤 어노테이션을 사용해 객체의 경계를 따라 그려 이미지 세그멘테이션 작업에 적합한 정밀한 마스크를 생성합니다.

어노테이션 편집기에는 이 작업을 위한 폴리곤 도구가 포함되어 있습니다. 어노테이터는 객체의 가장자리를 따라 여러 꼭짓점을 배치해 형태의 윤곽을 그립니다. 꼭짓점을 배치한 후 폴리곤을 닫아 세그멘테이션 마스크를 생성할 수 있습니다.

폴리곤을 생성한 후에도 꼭짓점을 조정할 수 있습니다. 개별 점을 이동해 객체 경계를 세밀하게 다듬고, 필요한 경우 꼭짓점을 제거할 수 있습니다. 이러한 픽셀 수준의 어노테이션은 모델이 상세한 시각적 구조를 학습하고 서로 가까이 있는 객체를 구분하는 데 도움이 됩니다.

포즈 추정#

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

키포인트 도구를 사용해 어노테이터는 어깨, 팔꿈치, 손목, 엉덩이, 무릎, 발목과 같은 신체 관절을 나타내는 키포인트를 배치합니다. 플랫폼은 17개 점으로 구성된 COCO 인간 포즈 형식과 손, 얼굴, 개, 박스 모서리용 템플릿 등 여러 기본 제공 스켈레톤 템플릿을 지원합니다.

템플릿을 사용하면 한 번의 클릭으로 전체 스켈레톤 레이아웃을 배치할 수 있으며, 이후 개별 키포인트를 이미지 속 포즈에 맞게 조정할 수 있습니다. 각 키포인트에는 해당 키포인트가 보이는지 또는 가려졌는지를 나타내는 가시성 플래그를 포함할 수도 있습니다.

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

방향성 바운딩 박스(OBB)#

방향성 바운딩 박스는 회전을 지원하여 기존 바운딩 박스의 기능을 확장합니다. 이 어노테이션 유형은 객체가 이미지 프레임과 정렬되지 않고 기울어진 각도로 나타날 때 유용합니다.

어노테이션 편집기에서 어노테이터는 방향성 바운딩 박스 도구를 사용해 객체 주위에 회전된 직사각형을 그릴 수 있습니다. 초기 박스를 그린 후 회전 핸들로 각도를 조정하고, 모서리 핸들로 박스 크기를 조절할 수 있습니다.

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

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

이미지 분류#

이미지 분류는 이미지 내 개별 객체에 표시하는 대신 이미지 전체에 레이블을 지정합니다.

분류 데이터셋의 경우 어노테이션 편집기에서 클래스 선택 패널을 제공합니다. 어노테이터는 사이드바에서 클래스를 선택하거나 키보드 단축키를 사용해 이미지에 레이블을 지정하고 라벨링 속도를 높일 수 있습니다.

이러한 이미지 수준 레이블은 모델이 서로 다른 카테고리를 나타내는 상위 수준의 시각적 패턴을 학습하는 데 도움이 됩니다.

SAM을 활용한 AI 지원 어노테이션#

세그멘테이션과 같은 작업에 사용할 이미지를 라벨링하려면 특히 객체의 윤곽을 정확하게 표시해야 할 때 세심하고 꼼꼼한 작업이 필요합니다. Ultralytics Platform에는 작업 속도를 높이면서도 어노테이션의 정확성과 검토 편의성을 유지하는 AI 지원 어노테이션 도구가 포함되어 있습니다.

예를 들어 어노테이터는 어노테이션에 포함하려는 객체의 일부를 클릭해 이미지와 상호작용할 수 있습니다. 결과를 다듬기 위해 제외해야 할 영역을 표시할 수도 있습니다. 이러한 입력을 바탕으로 모델은 실시간으로 세그멘테이션 마스크를 생성하며, 저장하기 전에 결과를 검토하고 조정할 수 있습니다.

이 방식은 모든 세부 사항을 수동으로 추적하지 않고도 복잡한 이미지를 더 쉽게 처리할 수 있게 해줍니다. 동시에 어노테이터는 최종 결과를 계속 관리하므로 데이터셋 전체에서 어노테이션의 일관성을 유지할 수 있습니다.

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

이러한 기능은 무엇이든 분할하는 모델(SAM)을 기반으로 합니다. 이 모델은 최소한의 입력으로 고품질 세그멘테이션을 생성하도록 설계된 오픈 소스 컴퓨터 비전 도구의 광범위한 생태계에 속합니다. 플랫폼은 SAM 2.1과 SAM 3을 포함한 여러 SAM 변형을 지원합니다. 이를 통해 팀은 필요에 따라 더 빠른 성능과 더 상세한 결과 중에서 유연하게 선택할 수 있습니다.

이러한 AI 지원 도구는 객체 탐지, 인스턴스 세그멘테이션, 방향 경계 상자 탐지 등의 작업에 적용할 수 있습니다. 따라서 팀은 신뢰할 수 있는 모델 학습에 필요한 품질을 유지하면서 대규모 데이터셋을 더 효율적으로 처리할 수 있습니다. 객체 탐지 데이터셋에도 비전 언어 모델을 사용해 자동 주석을 적용한 뒤 학습 전에 검토할 수 있습니다.

기본 제공 도구로 어노테이션 워크플로 개선#

어노테이션 작업이 진행되면 레이블을 다시 조정하고, 오류를 수정하거나, 이미지를 더 자세히 검토해야 하는 경우가 흔합니다. Ultralytics 어노테이션 편집기에는 이러한 일상적인 작업을 더 쉽고 빠르게 처리할 수 있는 기본 제공 도구가 포함되어 있습니다.

편집기에서 사용할 수 있는 워크플로 기능은 다음과 같습니다.

• 키보드 단축키: 편집기에는 어노테이션 저장, 변경 사항 실행 취소 및 다시 실행, 레이블 삭제, 어노테이션 작업 중 클래스 선택 등 자주 사용하는 작업의 속도를 높여주는 단축키가 포함되어 있습니다.
• 실행 취소 및 다시 실행 기록: 어노테이터는 편집 세션 중 변경 사항을 쉽게 되돌리거나 복원할 수 있습니다. 이를 통해 팀은 진행 상황을 잃지 않고 어노테이션을 시험하고 실수를 빠르게 수정할 수 있어 데이터셋 준비 중 품질 관리를 개선할 수 있습니다.
• 유연한 어노테이션 편집: 어노테이션은 생성한 후에도 조정할 수 있습니다. 특히 형태가 불규칙한 객체를 다듬을 때 사용자는 필요에 따라 도형 크기를 조정하고, 어노테이션을 이동하고, 방향성 바운딩 박스를 회전하거나, 클래스 레이블을 업데이트할 수 있습니다.
• 표시 제어: 편집기에는 어노테이션과 클래스 레이블을 표시하거나 숨길 수 있는 표시 토글이 있어 라벨링 중 이미지를 더 쉽게 살펴볼 수 있습니다.
• 정밀 도구: 확대/축소와 픽셀 좌표를 표시하는 십자선 커서 등의 기능을 통해 어노테이터는 상세한 이미지를 다룰 때 레이블을 더 정확하게 배치할 수 있습니다.

Ultralytics Platform에서 어노테이션 클래스 관리#

명확하고 일관된 어노테이션 클래스는 신뢰할 수 있는 컴퓨터 비전 데이터셋을 구축하는 데 중요한 역할을 합니다. 프로젝트가 커지면 대규모 데이터셋의 데이터 라벨링 관리가 어려워질 수 있으며, 특히 여러 어노테이터가 참여하는 경우 더욱 그렇습니다. 클래스를 체계적으로 정리하면 어노테이션의 일관성을 유지하고 모델이 구조화된 데이터를 학습하도록 도울 수 있습니다.

Ultralytics Platform은 클래스 관리를 어노테이션 편집기에 직접 통합해 이 과정을 간소화합니다. 레이블을 별도로 관리하는 대신 팀은 이미지를 작업하면서 클래스를 생성, 업데이트 및 검토할 수 있어 어노테이션 워크플로 전반에서 일관성을 유지하기가 더 쉽습니다.

편집기에서 모든 클래스는 어노테이션 캔버스 옆의 사이드바에 표시됩니다. 따라서 어노테이션 작업 중 올바른 레이블을 쉽게 선택하고 데이터셋 전반에서 클래스 사용 현황을 추적할 수 있습니다. 사용자는 워크플로를 중단하지 않고 기존 클래스를 검색하거나 필요에 따라 새 클래스를 생성할 수 있습니다.

클래스 세부 정보는 언제든지 업데이트할 수 있습니다. 이름을 직접 편집할 수 있으며, 어노테이션 전반에서 서로 다른 클래스를 더 쉽게 식별하도록 색상을 지정할 수 있습니다. 편집기에는 각 클래스에 연결된 어노테이션 수가 표시되며 해당 어노테이션을 검토할 수도 있어 팀이 일관성과 정확성을 확인하는 데 도움이 됩니다.

모든 클래스는 중앙 테이블에서 관리하며, 테이블에서 클래스를 정렬하고 검색하고 업데이트할 수 있습니다. 여기서 변경한 내용은 데이터셋 전체에 자동으로 적용되므로 어노테이션 프로젝트가 확장되어도 팀이 일관성을 유지할 수 있습니다.

그림 7. 어노테이션 편집기의 클래스 관리 기능은 레이블 구성과 색상 사용자 지정을 보여줍니다. (출처)

어노테이션 품질이 실제 환경의 성능에 미치는 영향#

컴퓨터 비전 시스템이 개발 단계에서 실제 사용 환경으로 전환되면서, 어노테이션된 데이터의 품질은 모델 성능에 중요한 영향을 미칩니다. 레이블이 잘 지정된 데이터셋은 특히 역동적이거나 예측하기 어려운 환경에서 모델이 더 정확하고 일관된 예측을 생성하도록 돕습니다.

실제로 어노테이션의 사소한 불일치도 모델 동작에 영향을 미칠 수 있습니다. 객체에 레이블을 지정하는 방식이나 예외 사례를 처리하는 방식의 차이는 학습 중에는 눈에 띄지 않을 수 있지만, 시스템을 배포한 후 예측의 신뢰도를 떨어뜨릴 수 있습니다.

또한 이러한 불일치는 실제 애플리케이션에서 더욱 두드러질 수 있습니다. 예를 들어 로봇 공학과 의료 시스템에서 모델은 시각적 입력을 바탕으로 객체를 감지하고 실시간으로 동작을 유도합니다. 레이블의 차이는 이러한 시스템이 주변 환경을 얼마나 정확하게 해석하는지에 영향을 줄 수 있습니다.

일관된 어노테이션 관행을 유지하고 Ultralytics와 같은 플랫폼을 사용해 시간이 지나도 데이터셋을 관리하고 개선하면, 팀은 통제된 테스트 환경을 벗어나서도 더 안정적으로 작동하는 모델을 구축할 수 있습니다.

핵심 요점#

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

커뮤니티에 참여하고 GitHub 저장소를 살펴보며 컴퓨터 비전 모델에 대해 자세히 알아보세요. 솔루션 페이지에서 자동차 분야의 AI 및 로봇 공학 분야의 컴퓨터 비전과 같은 애플리케이션을 확인해 보세요. 라이선스 옵션을 살펴보고 나만의 비전 AI 모델을 구축해 보세요.