Ultralytics Platform으로 이미지 주석 작업 간소화하기

Ultralytics는 최근 컴퓨터 비전 개발의 전체 수명 주기를 지원하기 위해 구축된 환경인 Ultralytics Platform을 선보였습니다. 이 플랫폼은 데이터셋 준비, 이미지 및 비디오 어노테이션, 모델 학습, 배포 등 비전 AI 워크플로우의 다양한 단계를 관리하는 데 사용되는 도구들을 중앙 집중화합니다.

자율 주행 및 의료와 같은 산업 전반에서 채택이 증가하고 있음에도 불구하고, computer vision 솔루션을 구축하는 과정은 여전히 파편화되어 있다고 볼 수 있습니다. 주요 이유 중 하나는 컴퓨터 비전 모델이 학습에 사용하는 데이터의 품질에 크게 의존하기 때문입니다. 학습이 시작되기 전, 모델이 무엇을 탐지하거나 인식해야 하는지 학습할 수 있도록 데이터셋을 생성, 구성, 검토 및 라벨링해야 합니다.

시각적 데이터를 다룰 때 이 과정을 데이터 어노테이션 또는 이미지 어노테이션이라고 합니다. 이미지 어노테이션 중에는 이미지의 특정 부분을 표시하고 모델이 학습하는 동안 가이드가 되는 라벨을 할당합니다.

예를 들어, 목표가 이미지에서 개를 탐지하는 것이라면 어노테이터는 각 개 주위에 bbox를 그려 개가 어디에 나타나는지 표시할 수 있습니다. 더 상세한 작업에서는 세그멘테이션 마스크를 사용하여 개의 형태를 따거나 포즈를 캡처하기 위해 keypoints를 표시할 수 있습니다. 이러한 라벨링된 예시는 배포 후 모델의 성능에 직접적인 영향을 미칩니다.

규모에 맞는 이미지 어노테이션 워크플로우를 관리하는 것은 어려울 수 있습니다. 대규모 데이터셋은 종종 일관된 라벨링 표준, 여러 어노테이터 간의 협업, 그리고 어노테이션 검토 및 개선을 쉽게 해주는 도구를 필요로 합니다.

Ultralytics Platform은 내장된 annotation editor를 통해 이를 통합합니다. 이 에디터는 다양한 어노테이션 작업 유형을 지원하며 팀이 단일 워크플로우 내에서 데이터를 라벨링하고 컴퓨터 비전 데이터셋을 준비할 수 있는 더 간단한 방법을 제공합니다.

그림 1. Ultralytics Platform의 어노테이션 에디터 모습 (소스)

이 기사에서는 Ultralytics Platform의 어노테이션 에디터가 어떻게 팀의 효율적인 데이터셋 어노테이션을 돕고 데이터 준비 과정을 간소화하는지 살펴보겠습니다. 시작해 보겠습니다!

Link to this section컴퓨터 비전에서의 데이터 어노테이션#

Ultralytics Platform에서 이용 가능한 이미지 어노테이션 도구를 살펴보기 전에, 먼저 데이터 어노테이션이 무엇이며 컴퓨터 비전 시스템 구축에서 왜 중요한지 알아보겠습니다.

Computer vision models은 데이터셋이라고 알려진 방대한 이미지 또는 비디오 모음을 분석하여 학습합니다. 그러나 원본 이미지만으로는 모델이 무엇을 탐지하거나 인식해야 하는지 이해하기에 충분한 정보를 제공하지 못합니다. 학습에 데이터를 유용하게 만들려면 데이터 라벨링을 통해 이미지를 라벨링하여 모델이 어떤 객체, 모양 또는 패턴을 찾아야 하는지 학습할 수 있게 해야 합니다.

이미지 어노테이션 중에는 이미지 내 특정 요소가 표시되고 모델이 학습해야 할 내용을 설명하는 라벨이 할당됩니다. 이러한 라벨링된 예시는 딥러닝 모델과 알고리즘이 학습하는 동안 가이드 역할을 하며 새로운 이미지를 처리할 때 유사한 패턴을 인식하도록 돕습니다.

컴퓨터 비전 작업은 애플리케이션과 유스 케이스에 따라 서로 다른 유형의 이미지 어노테이션을 필요로 합니다. 예를 들어, 어노테이터는 객체 탐지를 위해 객체 주위에 bbox를 그리거나, 시맨틱 세그멘테이션을 위해 이미지 내 영역을 따거나, 포즈 추정을 위해 keypoints를 정의하거나, 분류를 위해 전체 이미지에 라벨을 할당할 수 있습니다.

Link to this section데이터 관리 및 준비#

컴퓨터 비전 프로젝트를 위한 데이터 준비는 종종 다양한 파일 형식을 다루고 데이터셋을 구성하는 작업을 포함합니다. 또한 머신 러닝 알고리즘의 어노테이션과 학습을 위해 모든 준비가 완료되었는지 확인하는 과정도 포함됩니다. 많은 워크플로우에서 이 과정은 여러 도구에 걸쳐 분산되어 있으며, 데이터를 사용하기 전에 업로드하고 정리하며 시스템 간에 이동시켜야 합니다.

Ultralytics Platform은 단일 환경 내에서 data preparation, 모델 학습 및 배포를 처리하여 이를 단순화합니다. 팀은 이미지, 비디오 또는 데이터셋 아카이브를 업로드할 수 있으며, 수동 또는 AI 자동 어노테이션을 통해 데이터를 준비하는 완전히 커스터마이징 가능한 방식을 활용할 수 있습니다. Ultralytics Platform은 원본 데이터와 YOLO 및 COCO와 같은 표준 형식을 모두 지원하여 새로운 프로젝트를 쉽게 시작할 수 있게 합니다. 또한 팀이 새 프로젝트나 실험을 빠르게 시작하는 데 사용할 수 있는 어노테이션된 데이터셋을 포함하여 플랫폼상의 기존 데이터셋에 대한 액세스도 제공합니다.

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

데이터를 사용할 수 있게 되면 플랫폼에서 직접 관리할 수 있습니다. 개발자는 이미지를 검토하고, 어노테이션 진행 상황을 모니터링하며, 내장된 시각화 도구를 사용하여 데이터셋 분포를 이해하고 잠재적인 격차를 파악할 수 있습니다.

또한 플랫폼은 데이터셋 버전 관리를 지원하여 팀이 데이터가 진화함에 따라 데이터의 스냅샷을 캡처할 수 있도록 돕습니다. 이를 통해 변경 사항을 추적하고 실험을 비교하며 학습 중에 일관성을 유지하기가 더 쉬워집니다.

데이터가 준비되면 팀은 이미지 어노테이션 단계로 넘어갈 수 있으며, 여기서 이미지는 모델이 무엇을 탐지해야 하는지 학습하도록 라벨링됩니다.

Link to this sectionUltralytics Platform에서 데이터셋 어노테이션하기#

데이터가 업로드되면 다음 단계는 어노테이션입니다. 이 단계에서 이미지 데이터가 라벨링되며, 컴퓨터 비전 모델을 학습하기 위한 기반이 마련됩니다. Ultralytics Platform은 팀이 동일한 환경 내에서 직접 데이터셋을 라벨링하고 관리할 수 있게 해주는 어노테이션 에디터를 통해 내장된 이미지 어노테이션 서비스를 제공합니다.

어노테이션 에디터는 사용자가 이미지를 검토하고, 라벨을 추가하며, 필요에 따라 어노테이션을 업데이트할 수 있는 간단한 작업 공간에서 펼쳐집니다. 모든 것이 한곳에 정리되어 있어 데이터셋을 일관되게 유지하고 데이터 학습 준비를 더 쉽게 만듭니다.

팀은 데이터셋을 업로드하고 브라우저에서 직접 이미지 라벨링을 시작할 수 있으며, 어노테이션 클래스를 정의하고 관리하여 데이터셋 전체에서 라벨이 일관되게 유지되도록 할 수 있습니다. 어노테이션이 생성되면 사용자는 에디터에서 시각적으로 검토할 수 있어 모델 학습 단계로 넘어가기 전에 정확성을 쉽게 확인할 수 있습니다.

Link to this sectionUltralytics Platform의 이미지 어노테이션 도구#

Ultralytics Platform에는 또한 고급 알고리즘을 사용하여 어노테이션 과정을 단순화하고 효율적인 데이터셋 라벨링 워크플로우를 지원하는 여러 기능이 포함되어 있습니다.

Ultralytics Platform에서 제공하는 주요 기능은 다음과 같습니다:

• 수동 어노테이션(Manual annotation): 이 방식을 사용하면 사용자가 이미지 위에 직접 bbox, 세그멘테이션 영역 또는 keypoints와 같은 이미지 어노테이션을 생성할 때 완전한 제어권과 유연성을 가질 수 있습니다.
• AI 보조 라벨링(AI-assisted labeling): 이 기능은 자동으로 제안된 어노테이션을 생성하여 수동 라벨링의 필요성을 줄여줍니다. SAM(Segment Anything Model)을 사용하여 단 한 번의 클릭으로 객체나 영역을 탐지하고, 어노테이션 과정을 간소화하며, 사용자가 데이터셋에 추가하기 전에 제안을 검토하고 확인할 수 있도록 돕습니다.
• 어노테이션 편집(Annotation editing): 사용자는 어노테이션이 생성된 후 언제든지 수정하거나 다듬을 수 있습니다. 이는 라벨링 실수를 수정하고 어노테이션 과정 전반에 걸쳐 일관된 데이터셋 라벨을 유지하는 데 도움이 됩니다.
• 클래스 관리(Class management): 팀과 개인 개발자는 데이터셋 라벨링 중에 사용되는 어노테이션 클래스를 정의하고 구성할 수 있습니다. 이는 이미지 전반에서 라벨을 일관되게 유지하는 데 도움이 되며, 클래스를 정확하게 인식하고 구별할 수 있는 모델을 학습시키는 데 중요합니다.

수동 도구, 인공 지능 및 자동화를 결합하여 Ultralytics Platform은 사용자가 이미지를 더 효율적으로 어노테이션하도록 돕습니다. 또한 확장 가능한 컴퓨터 비전 모델을 위한 고품질 학습 데이터 준비를 가능하게 합니다.

Link to this section지원되는 어노테이션 작업 유형#

제품 품질 보증과 같은 다양한 유스 케이스는 이미지나 비디오 내에서 탐지해야 하는 내용에 따라 다른 유형의 어노테이션을 필요로 합니다. 위에서 언급했듯이, Ultralytics Platform은 5가지 객체 탐지 작업을 지원하며, 각 작업은 고유한 어노테이션 유형을 가집니다.

플랫폼에서 지원되는 어노테이션 작업과 이를 사용하여 데이터셋을 라벨링하는 방법을 자세히 살펴보겠습니다.

Link to this section객체 탐지#

객체 탐지는 이미지 내의 객체를 식별하고 위치를 파악합니다. 어노테이터는 bbox를 사용하여 관심 있는 각 객체를 표시하고 이미지 내에서 항목이 나타나는 위치를 나타냅니다.

어노테이션 에디터에서는 bbox 도구를 사용하여 이를 수행합니다. 사용자는 “편집 모드(edit mode)”로 들어가 클릭하고 드래그하여 객체 주위에 직사각형을 그리고, 드롭다운 메뉴에서 클래스 라벨을 할당할 수 있습니다.

bbox는 생성 후 조정할 수 있습니다. 어노테이터는 모서리나 가장자리 핸들을 드래그하여 크기를 조정하거나, 상자 중앙을 드래그하여 이동하거나, 키보드 단축키를 사용하여 삭제할 수 있습니다. 이러한 어노테이션은 비전 모델이 다양한 장면과 조건에서 객체를 탐지하는 방법을 학습하도록 돕습니다.

그림 3. Ultralytics Platform에서 bbox를 사용한 객체 탐지 어노테이션. (소스)

Link to this section인스턴스 분할#

인스턴스 세그멘테이션은 이미지 내 객체의 정확한 모양을 정의하여 더 상세한 어노테이션을 제공합니다. 간단한 상자를 그리는 대신 어노테이터는 이미지 세그멘테이션 작업을 위해 정확한 마스크를 생성하도록 폴리곤 어노테이션을 사용하여 객체의 경계를 따릅니다.

어노테이션 에디터에는 이 작업을 위한 폴리곤 도구가 포함되어 있습니다. 어노테이터는 객체의 가장자리 주위에 여러 정점을 배치하여 모양을 윤곽 지을 수 있습니다. 정점이 배치되면 폴리곤을 닫아 세그멘테이션 마스크를 생성할 수 있습니다.

폴리곤 생성 후 정점을 조정할 수 있습니다. 개별 점을 이동하여 객체 경계를 다듬을 수 있으며, 필요한 경우 정점을 제거할 수도 있습니다. 이러한 픽셀 수준의 어노테이션은 모델이 상세한 시각적 구조를 학습하고 서로 가깝게 나타나는 객체를 구별하도록 돕습니다.

Link to this section자세 추정#

포즈 추정 어노테이션은 신체 관절의 위치와 그들 간의 관계를 캡처합니다. 이는 모델이 이미지 내 사람이나 동물의 구조와 움직임을 이해하도록 돕습니다.

keypoint 도구를 사용하여 어노테이터는 어깨, 팔꿈치, 손목, 엉덩이, 무릎, 발목과 같은 신체 관절을 나타내는 keypoints를 배치합니다. 플랫폼은 17포인트 COCO 인간 포즈 형식은 물론 손, 얼굴, 개, 상자 모서리를 위한 템플릿을 포함하여 여러 내장 스켈레톤 템플릿을 지원합니다.

템플릿을 사용하면 클릭 한 번으로 전체 스켈레톤 레이아웃을 배치할 수 있으며, 이후 개별 keypoints를 이미지의 포즈와 일치하도록 조정할 수 있습니다. 각 keypoint에는 가시 여부를 나타내는 가시성 플래그를 포함할 수 있습니다.

그림 4. keypoints와 스켈레톤 템플릿을 사용한 포즈 추정 어노테이션. (소스)

Link to this section회전된 BBox (OBB)#

회전된 BBox(OBB)는 회전을 지원함으로써 기존 bbox를 한 단계 더 발전시킵니다. 이 유형의 어노테이션은 객체가 이미지 프레임과 정렬되지 않고 각도로 나타날 때 유용합니다.

어노테이션 에디터에서 어노테이터는 회전된 BBox 도구를 사용하여 객체 주위에 회전된 직사각형을 그릴 수 있습니다. 초기 상자를 그린 후 회전 핸들을 사용하여 각도를 조정할 수 있으며, 모서리 핸들로 상자 크기를 조정할 수 있습니다.

회전된 어노테이션은 항공 이미지, 산업 검사 데이터셋 및 객체가 대각선이나 다른 시점에서 나타나는 기타 시나리오에서 자주 사용됩니다.

그림 5. 항공 이미지에서 회전된 객체를 위한 회전된 BBox(OBB) 어노테이션. (소스)

Link to this section이미지 분류#

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

분류 데이터셋의 경우, 어노테이션 에디터는 클래스 선택 패널을 제공합니다. 어노테이터는 사이드바에서 클래스를 선택하거나 더 빠른 라벨링을 위해 키보드 단축키를 사용하여 이미지에 라벨을 할당할 수 있습니다.

이러한 이미지 수준의 라벨은 모델이 서로 다른 범주를 나타내는 높은 수준의 시각적 패턴을 학습하도록 돕습니다.

Link to this sectionSAM을 사용한 AI 보조 어노테이션#

세그멘테이션과 같은 작업을 위한 이미지 라벨링은 특히 객체를 정확하게 윤곽 지어야 할 때 주의 깊고 상세한 작업이 필요합니다. Ultralytics Platform에는 어노테이션을 정확하고 검토하기 쉽게 유지하면서 프로세스 속도를 높이는 AI 보조 어노테이션 도구가 포함되어 있습니다.

예를 들어, 어노테이터는 어노테이션에 포함하려는 객체 부분을 클릭하여 이미지와 상호 작용할 수 있습니다. 결과를 다듬기 위해 제외해야 하는 영역을 표시할 수도 있습니다. 이러한 입력을 기반으로 모델은 실시간으로 세그멘테이션 마스크를 생성하며, 이는 저장되기 전에 검토 및 조정될 수 있습니다.

이 방식은 모든 세부 사항을 수동으로 따를 필요 없이 복잡한 이미지를 더 쉽게 작업할 수 있게 합니다. 동시에 어노테이터는 최종 결과물에 대한 제어권을 유지하여 데이터셋 전반에 걸쳐 어노테이션이 일관되게 유지되도록 합니다.

그림 6. Ultralytics Platform에서 Smart 어노테이션 도구를 사용한 AI 보조 세그멘테이션. (소스)

이러한 기능은 SAM(Segment Anything Models)에 의해 구동됩니다. 이 모델들은 최소한의 입력으로 고품질 세그멘테이션을 생성하도록 설계된 오픈 소스 컴퓨터 비전 도구의 더 넓은 생태계의 일부입니다. 플랫폼은 SAM 2.1 및 SAM 3을 포함한 여러 SAM 변형을 지원합니다. 이를 통해 팀은 필요에 따라 더 빠른 성능과 더 자세한 결과물 사이에서 유연하게 선택할 수 있습니다.

이러한 AI 보조 도구는 객체 탐지, 인스턴스 세그멘테이션, 회전된 BBox 탐지와 같은 작업 전반에 걸쳐 적용될 수 있습니다. 이는 팀이 신뢰할 수 있는 모델 학습에 필요한 품질을 유지하면서 대규모 데이터셋을 더 효율적으로 처리할 수 있음을 의미합니다.

Link to this section내장 도구로 어노테이션 워크플로우 개선하기#

어노테이션 작업이 진행됨에 따라 라벨을 조정하거나 오류를 수정하거나 이미지를 더 자세히 검토하기 위해 다시 돌아가는 것은 일반적입니다. Ultralytics 어노테이션 에디터에는 이러한 일상적인 작업을 더 쉽게 처리하고 시간을 절약하게 해주는 내장 도구가 포함되어 있습니다.

에디터에서 제공하는 워크플로우 기능 중 일부는 다음과 같습니다:

• 키보드 단축키(Keyboard shortcuts): 에디터에는 어노테이션 저장, 변경 사항 취소 또는 복구, 라벨 삭제, 어노테이션 중 클래스 선택과 같은 일반적인 작업을 빠르게 처리하는 단축키가 포함되어 있습니다.
• 취소 및 복구 기록(Undo and redo history): 어노테이터는 편집 세션 중에 수행된 변경 사항을 쉽게 취소하거나 복구할 수 있습니다. 이를 통해 팀은 어노테이션을 실험하고 진행 상황을 잃지 않으면서 실수를 빠르게 수정하여 데이터셋 준비 중에 더 나은 품질 관리를 지원할 수 있습니다.
• 유연한 어노테이션 편집(Flexible annotation editing): 어노테이션은 생성 후에도 조정할 수 있습니다. 사용자는 특히 불규칙한 모양의 객체를 다듬을 때 필요에 따라 모양 크기를 조정하고, 어노테이션을 이동하고, 회전된 BBox를 회전하거나, 클래스 라벨을 업데이트할 수 있습니다.
• 가시성 제어(Visibility controls): 에디터에는 사용자가 어노테이션과 클래스 라벨을 표시하거나 숨길 수 있는 가시성 토글이 포함되어 있어 라벨링 중에 이미지를 더 쉽게 검사할 수 있습니다.
• 정밀 도구(Precision tools): 확대/축소 및 픽셀 좌표가 있는 십자선 커서와 같은 기능은 상세한 이미지로 작업할 때 어노테이터가 라벨을 더 정확하게 배치하도록 돕습니다.

Link to this sectionUltralytics Platform에서 어노테이션 클래스 관리#

명확하고 일관된 어노테이션 클래스는 신뢰할 수 있는 컴퓨터 비전 데이터셋을 구축하는 데 중요한 역할을 합니다. 프로젝트가 성장함에 따라, 특히 여러 어노테이터가 참여하는 경우 대규모 데이터셋에 걸쳐 데이터 라벨링을 관리하는 것이 어려워질 수 있습니다. 클래스를 잘 정리해 두면 어노테이션을 일관되게 유지하고 모델이 구조화된 데이터로부터 학습하는 데 도움이 됩니다.

Ultralytics Platform은 클래스 관리를 어노테이션 에디터로 직접 가져와 이 프로세스를 단순화합니다. 팀은 라벨을 별도로 처리하는 대신 이미지를 작업하는 동안 클래스를 생성, 업데이트 및 검토할 수 있어 어노테이션 워크플로우 전반에 걸쳐 일관성을 유지하기가 더 쉬워집니다.

에디터 내에서 모든 클래스는 어노테이션 캔버스와 함께 사이드바에서 사용할 수 있습니다. 이를 통해 어노테이션하는 동안 올바른 라벨을 선택하고 클래스가 데이터셋 전반에 걸쳐 어떻게 사용되고 있는지 쉽게 추적할 수 있습니다. 사용자는 워크플로우를 중단하지 않고 필요에 따라 기존 클래스를 검색하거나 새 클래스를 생성할 수 있습니다.

클래스 세부 정보도 언제든지 업데이트할 수 있습니다. 이름을 직접 편집할 수 있으며 색상을 할당하여 서로 다른 클래스를 어노테이션 전반에서 더 쉽게 식별할 수 있습니다. 에디터는 또한 각 클래스에 연결된 어노테이션이 몇 개인지 보여주며 사용자가 검토할 수 있도록 하여 팀이 일관성과 정확성을 확인할 수 있도록 돕습니다.

모든 클래스는 정렬, 검색 및 업데이트가 가능한 중앙 집중식 테이블을 통해 관리됩니다. 여기서 수행된 모든 변경 사항은 데이터셋 전체에 자동으로 적용되어 어노테이션 프로젝트 규모가 커짐에 따라 팀이 일관성을 유지할 수 있도록 돕습니다.

그림 7. 어노테이션 에디터의 클래스 관리는 라벨 구성과 색상 사용자 정의를 보여줍니다. (소스)

Link to this section어노테이션 품질이 실제 성능에 미치는 영향#

컴퓨터 비전 시스템이 개발 단계에서 실제 사용 단계로 전환됨에 따라, 어노테이션된 데이터의 품질은 모델 성능에 핵심적인 역할을 합니다. 잘 라벨링된 데이터셋은 모델이 특히 역동적이거나 예측 불가능한 환경에서 더 정확하고 일관된 예측을 하도록 돕습니다.

실제로 어노테이션의 작은 불일치조차 모델 동작에 영향을 미칠 수 있습니다. 객체가 라벨링되는 방식이나 엣지 케이스가 처리되는 방식의 차이는 학습 중에는 명확하지 않을 수 있지만, 시스템이 배포되면 예측의 신뢰도가 떨어질 수 있습니다.

그뿐만 아니라, 이러한 불일치는 실제 애플리케이션에서 더 두드러질 수 있습니다. 예를 들어 로봇 공학 및 의료 시스템에서 모델은 시각적 입력에 의존하여 실시간으로 객체를 탐지하고 작업을 안내합니다. 라벨링의 변동은 이러한 시스템이 주변 환경을 얼마나 정확하게 해석하는지에 영향을 미칠 수 있습니다.

일관된 어노테이션 관행을 유지하고 Ultralytics와 같은 플랫폼을 사용하여 시간이 지남에 따라 데이터셋을 관리하고 다듬음으로써, 팀은 통제된 테스트 환경을 넘어 더 신뢰할 수 있게 작동하는 모델을 구축할 수 있습니다.

Link to this section핵심 요약#

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 단순화합니다. 수동 어노테이션 도구와 SAM을 사용한 AI 보조 라벨링 및 내장된 워크플로우 기능을 결합하여, 팀은 데이터셋을 더 효율적으로 준비하고 데이터 준비에서 모델 개발로 더 빠르게 나아갈 수 있습니다.

커뮤니티에 join하고 GitHub repository를 탐색하여 컴퓨터 비전 모델에 대해 더 알아보세요. 솔루션 페이지에서 AI in automotive 및 computer vision in robotics와 같은 애플리케이션에 대해 읽어보세요. licensing options을 확인하고 나만의 비전 AI 모델 구축을 시작하세요.