컴퓨터 비전을 위한 데이터 수집 및 어노테이션 전략#

데이터 수집과 어노테이션은 모든 computer vision project의 기본적인 두 단계입니다. 즉, 대표성 있는 이미지나 비디오를 수집한 다음, 모델이 학습할 수 있도록 라벨을 지정하는 것입니다. 이 데이터의 질이 모델의 성능을 직접적으로 결정하므로, 본격적인 학습이 시작되기 전에 클래스 정의, 편향 없는 소싱, 그리고 일관성 있는 어노테이션이 매우 중요합니다.

이 가이드에서는 setting up classes and collecting data, 어노테이션 유형 및 선택할 포맷을 포함한 what data annotation is, 그리고 efficient labeling strategies를 다루며, 모든 결정은 your project's goals에 맞춰 정렬됩니다.

클래스 설정 및 데이터 수집#

컴퓨터 비전 프로젝트를 위한 이미지 및 비디오 수집은 세 가지 결정으로 귀결됩니다. 정의할 클래스의 개수, 데이터를 어디서 가져올 것인가, 그리고 데이터셋을 어떻게 편향되지 않게 유지할 것인가입니다.

프로젝트에 적합한 클래스 선택#

컴퓨터 비전 프로젝트를 시작할 때 첫 번째 질문 중 하나는 얼마나 많은 클래스를 포함할 것인가입니다. 모델이 인식하고 구별해야 하는 다양한 카테고리나 라벨인 클래스 멤버십을 결정해야 합니다. 클래스 수는 프로젝트의 구체적인 목표에 의해 결정되어야 합니다.

예를 들어, 교통량을 모니터링하려는 경우 클래스에는 "자동차", "트럭", "버스", "오토바이", "자전거"가 포함될 수 있습니다. 반면, 상점의 품목을 추적하는 경우 클래스는 "과일", "채소", "음료", "스낵"이 될 수 있습니다. 프로젝트 목표에 따라 클래스를 정의하면 데이터셋을 관련성 있게 유지하고 집중할 수 있습니다.

클래스를 정의할 때 또 다른 중요한 구분은 거친(coarse) 클래스 수를 선택할지, 세밀한(fine) 클래스 수를 선택할지 결정하는 것입니다. '수(Count)'는 관심 있는 별개의 클래스 수를 의미합니다. 이 결정은 데이터의 세분성과 모델의 복잡성에 영향을 미칩니다. 각 접근 방식에 대한 고려 사항은 다음과 같습니다:

• 거친 클래스 수(Coarse Class-Count): "차량" 및 "비차량"과 같이 더 넓고 포괄적인 범주입니다. 이는 어노테이션을 단순화하고 계산 리소스를 적게 필요로 하지만 상세한 정보가 부족하여 복잡한 시나리오에서 모델의 효율성을 제한할 수 있습니다.
• 세밀한 클래스 수(Fine Class-Count): "세단", "SUV", "픽업트럭", "오토바이"와 같이 더 미세한 구분이 있는 더 많은 범주입니다. 이는 더 상세한 정보를 캡처하여 모델의 정확도와 성능을 향상시킵니다. 그러나 어노테이션에 더 많은 시간이 소요되고 노동 집약적이며 더 많은 계산 리소스가 필요합니다.

더 구체적인 클래스로 시작하는 것은 특히 세부 사항이 중요한 복잡한 프로젝트에서 매우 도움이 될 수 있습니다. 더 구체적인 클래스를 사용하면 더 자세한 데이터를 수집하고, 더 깊은 통찰력을 얻으며, 카테고리 간의 더 명확한 구분을 확립할 수 있습니다. 이는 모델의 정확도를 향상시킬 뿐만 아니라, 필요할 경우 나중에 모델을 조정하기 쉽게 만들어 시간과 리소스를 모두 절약해 줍니다.

데이터 소스#

공개 데이터셋을 사용하거나 자체 커스텀 데이터를 수집할 수 있습니다. Kaggle 및 Google Dataset Search Engine과 같은 공개 데이터셋은 잘 어노테이션되고 표준화된 데이터를 제공하므로, 모델 학습 및 검증을 위한 훌륭한 시작점이 됩니다.

반면 맞춤 데이터 수집을 사용하면 특정 요구 사항에 맞춰 데이터셋을 맞춤화할 수 있습니다. 카메라나 드론으로 이미지와 비디오를 캡처하거나, 웹에서 이미지를 스크랩하거나, 조직 내의 기존 데이터를 사용할 수 있습니다. 맞춤 데이터는 품질과 관련성을 더 잘 제어할 수 있게 해줍니다. 공개 데이터 소스와 맞춤 데이터 소스를 결합하면 다양하고 포괄적인 데이터셋을 만들 수 있습니다.

데이터 수집 시 편향 방지#

편향(Bias)은 특정 그룹이나 시나리오가 데이터셋에 과소대표되거나 과다대표될 때 발생합니다. 이는 일부 데이터에서는 잘 작동하지만 다른 데이터에서는 성능이 떨어지는 모델로 이어진다. 컴퓨터 비전 모델이 다양한 시나리오에서 잘 수행되도록 하려면 bias in AI를 피하는 것이 매우 중요합니다.

데이터를 수집하는 동안 편향을 방지하는 방법은 다음과 같습니다:

• 다양한 소스: 다양한 관점과 시나리오를 포착하기 위해 많은 소스에서 데이터를 수집합니다.
• 균형 잡힌 표현: 모든 관련 그룹의 균형 잡힌 표현을 포함합니다. 예를 들어, 다양한 연령, 성별, 인종을 고려하십시오.
• 지속적인 모니터링: 데이터셋을 정기적으로 검토하고 업데이트하여 발생하는 편향을 식별하고 해결합니다.
• 편향 완화 기법: 과소대표된 클래스 오버샘플링, data augmentation, 공정성 인식 알고리즘과 같은 방법을 사용합니다.

이러한 관행을 따르면 실제 애플리케이션에서 잘 일반화될 수 있는 더 강력하고 공정한 모델을 만드는 데 도움이 됩니다.

데이터 어노테이션이란 무엇인가?#

데이터 어노테이션은 machine learning 모델 학습에 사용할 수 있도록 데이터에 라벨을 지정하는 과정입니다. 컴퓨터 비전에서는 모델이 학습하는 데 필요한 정보로 이미지나 비디오에 라벨을 지정하는 것을 의미합니다. 적절히 어노테이션된 데이터가 없으면, 모델은 입력과 출력 간의 관계를 정확하게 학습할 수 없습니다.

데이터 어노테이션 유형#

computer vision task의 특정 요구 사항에 따라 다양한 유형의 데이터 어노테이션이 존재합니다. 다음은 몇 가지 예시입니다:

• 바운딩 박스(Bounding Boxes): 이미지 내의 객체 주위에 그려진 직사각형 박스로, 주로 객체 탐지 작업에 사용됩니다. 이 박스는 왼쪽 상단과 오른쪽 하단 좌표로 정의됩니다.
• 폴리곤(Polygons): 객체에 대한 상세한 외곽선으로, 바운딩 박스보다 더 정밀한 어노테이션이 가능합니다. 폴리곤은 객체의 형태가 중요한 instance segmentation 같은 작업에 사용됩니다.
• 마스크(Masks): 각 픽셀이 객체의 일부인지 배경인지 나타내는 이진 마스크입니다. 마스크는 픽셀 수준의 세부 정보를 제공하기 위해 semantic segmentation 작업에 사용됩니다.
• 키포인트(Keypoints): 관심 위치를 식별하기 위해 이미지 내에 표시된 특정 지점들입니다. 키포인트는 pose estimation 및 얼굴 랜드마크 감지와 같은 작업에 사용됩니다.

일반적인 어노테이션 형식#

어노테이션 유형을 선택한 후에는 어노테이션을 저장하고 공유하기 위한 적절한 형식을 선택하는 것이 중요합니다. 가장 일반적인 형식은 다음과 같습니다:

YOLO 포맷은 0부터 시작하는 클래스 인덱스와 함께 객체당 한 행을 저장합니다. object detection의 경우 0-1 정규화 좌표가 포함된 class x_center y_center width height 행이며, segmentation은 정규화된 폴리곤 점들을 추가하고 pose는 박스 뒤에 키포인트 좌표와 선택적 가시성 값을 추가합니다.

어노테이션 가이드라인 설정#

어노테이션 유형과 포맷이 선택되면, 다음 단계는 명확하고 객관적인 라벨링 규칙을 수립하는 것입니다. 이러한 규칙은 어노테이션 과정 전반에 걸쳐 일관성과 accuracy를 위한 로드맵 역할을 합니다. 이러한 규칙의 주요 측면은 다음과 같습니다:

• 명확성과 세부 사항: 지침이 명확한지 확인하십시오. 예시와 그림을 사용하여 기대치를 보여주십시오.
• 일관성: 어노테이션을 균일하게 유지하십시오. 모든 어노테이션이 동일한 규칙을 따르도록 다양한 데이터 유형을 어노테이션하기 위한 표준 기준을 설정하십시오.
• 편향 감소: 중립을 유지하십시오. 공정한 어노테이션을 보장하기 위해 객관성을 유지하고 개인적 편향을 최소화하도록 스스로 훈련하십시오.
• 효율성: 더 열심히 일하기보다 더 똑똑하게 일하십시오. 반복적인 작업을 자동화하는 도구와 워크플로우를 사용하여 어노테이션 프로세스를 더 빠르고 효율적으로 만드십시오.

라벨링 규칙을 정기적으로 검토하고 업데이트하면 어노테이션을 정확하고 일관되게 유지하며 프로젝트 목표에 부합하게 유지하는 데 도움이 됩니다.

주석 도구#

좋은 어노테이션 툴은 작업에 필요한 모든 유형을 라벨링할 수 있게 해주고, 일관된 가이드라인을 강제하며, 학습에 바로 사용할 수 있는 포맷으로 라벨을 내보냅니다. Ultralytics Platform은 감지, 인스턴스 세그멘테이션, 포즈, OBB, 분류를 다루는 내장 annotation editor를 제공하며, 단 한 번의 클릭으로 감지, 세그멘테이션, OBB 작업용 마스크를 생성해 주는 SAM-powered smart annotation 기능을 제공합니다. 모든 어노테이션이 YOLO format으로 저장되기 때문에, 라벨링된 데이터셋은 변환 단계 없이 바로 training으로 이어집니다.

어노테이션 품질: 정확도, 정밀도 및 이상치#

대규모로 어노테이션을 수행하기 전에 정확도, precision, 이상치(outlier), 그리고 품질 관리를 이해하는 것이 도움이 되며, 그래야 역효과를 낳는 방식으로 데이터를 라벨링하지 않게 됩니다.

정확도와 정밀도 이해#

정확도와 정밀도의 차이 및 그것이 어노테이션과 어떻게 관련되는지 이해하는 것이 중요합니다. 정확도는 어노테이션된 데이터가 실제 값에 얼마나 가까운지를 나타냅니다. 이는 라벨이 실제 세계의 시나리오를 얼마나 가깝게 반영하는지 측정하는 데 도움이 됩니다. 정밀도는 어노테이션의 일관성을 나타냅니다. 데이터셋 전반에 걸쳐 동일한 객체나 특징에 동일한 라벨을 부여하고 있는지 확인합니다. 높은 정확도와 정밀도는 노이즈를 줄이고 training data로부터 모델의 일반화 능력을 향상시킴으로써 더 잘 학습된 모델로 이어집니다.

이상치 식별#

이상치는 데이터셋의 다른 관측치와 상당히 다른 데이터 포인트입니다. 어노테이션과 관련하여 이상치는 잘못 라벨링된 이미지이거나 데이터셋의 나머지 부분과 맞지 않는 어노테이션일 수 있습니다. 이상치는 모델의 학습 과정을 왜곡하여 부정확한 예측과 낮은 일반화 성능을 초래할 수 있으므로 우려됩니다.

이상치를 감지하고 수정하기 위해 다양한 방법을 사용할 수 있습니다:

• 통계적 기법: 픽셀 값, bounding box 좌표 또는 객체 크기와 같은 수치적 특징에서 이상치를 감지하기 위해 상자 그림(box plot), 히스토그램, 또는 z-점수와 같은 방법을 사용할 수 있습니다.
• 시각적 기법: 객체 클래스, 색상 또는 모양과 같은 범주형 특징에서 이상 현상을 포착하기 위해 이미지, 라벨 또는 히트 맵을 플로팅하는 것과 같은 시각적 방법을 사용합니다.
• 알고리즘적 방법: 군집화(예: K-means 군집화, DBSCAN) 및 anomaly detection 알고리즘과 같은 툴을 사용하여 데이터 분포 패턴을 기반으로 이상치를 식별합니다.

어노테이션된 데이터의 품질 관리#

다른 기술 프로젝트와 마찬가지로, 어노테이션된 데이터에는 품질 관리가 필수입니다. 어노테이션이 정확하고 일관적인지 확인하기 위해 정기적으로 확인하는 것이 좋은 관행입니다. 이는 몇 가지 다른 방법으로 수행할 수 있습니다:

• 어노테이션된 데이터 샘플 검토
• 자동화된 도구를 사용하여 일반적인 오류 발견
• 다른 사람이 어노테이션을 이중 확인하게 함

여러 사람과 작업하는 경우, 서로 다른 어노테이터 간의 일관성이 중요합니다. 좋은 어노테이터 간 합의(inter-annotator agreement)는 가이드라인이 명확하고 모두가 같은 방식으로 이를 따르고 있음을 의미합니다. 이는 모두가 같은 페이지에 있게 하고 어노테이션을 일관되게 유지합니다.

검토 중에 오류를 발견하면 수정하고 향후 실수를 방지하기 위해 가이드라인을 업데이트하십시오. 어노테이터에게 피드백을 제공하고 오류를 줄이는 데 도움이 되도록 정기적인 교육을 제공하십시오. 오류를 처리하기 위한 강력한 프로세스를 갖추면 데이터셋을 정확하고 신뢰할 수 있게 유지할 수 있습니다.

효율적인 데이터 라벨링 전략#

데이터 라벨링 과정을 더 원활하고 효과적으로 만들려면 다음 전략을 구현하는 것을 고려하십시오:

• 명확한 어노테이션 가이드라인: 모든 어노테이터가 작업을 일관되게 해석할 수 있도록 예시가 포함된 자세한 지침을 제공합니다. 예를 들어, 새를 라벨링할 때 전체 새를 포함할지 아니면 특정 부분만 포함할지 명시하십시오.
• 정기적인 품질 확인: 벤치마크를 설정하고 특정 지표를 사용하여 작업을 검토하며 지속적인 피드백을 통해 높은 수준을 유지하십시오.
• 사전 어노테이션 도구 사용: 많은 현대 어노테이션 플랫폼은 인간이 수정할 수 있는 초기 어노테이션을 자동으로 생성하여 프로세스 속도를 크게 높일 수 있는 AI 지원 사전 어노테이션 기능을 제공합니다.
• 능동적 학습 구현: 이 접근 방식은 가장 유익한 샘플에 먼저 라벨을 붙이는 것을 우선시하며, 이는 모델 성능을 유지하면서 필요한 총 어노테이션 수를 줄일 수 있습니다.
• 배치 처리: 일관성을 유지하고 효율성을 개선하기 위해 유사한 이미지를 함께 그룹화하여 어노테이션합니다.

이러한 전략은 라벨링 프로세스에 필요한 시간과 리소스를 줄이면서 고품질 어노테이션을 유지하는 데 도움이 될 수 있습니다.

커뮤니티와 의견 공유하기#

다른 computer vision 애호가들과 아이디어와 질문을 나누는 것은 프로젝트를 가속화하는 데 도움이 될 수 있습니다. 학습하고, 문제를 해결하고, 네트워크를 형성할 수 있는 훌륭한 방법들은 다음과 같습니다:

도움 및 지원을 받는 방법#

• GitHub Issues: YOLO26 GitHub 저장소를 방문하여 Issues tab을 통해 질문을 제기하고, 버그를 신고하고, 기능을 제안하세요. 커뮤니티와 메인테이너들이 직면한 문제를 도울 준비가 되어 있습니다.
• Ultralytics Discord Server: Ultralytics Discord server에 참여하여 다른 사용자 및 개발자와 소통하고, 지원을 받고, 지식을 공유하고, 아이디어를 브레인스토밍하세요.

공식 문서#

• Ultralytics YOLO26 Documentation: 수많은 컴퓨터 비전 작업과 프로젝트에 대한 철저한 가이드와 유용한 인사이트를 얻으려면 official YOLO26 documentation을 참조하세요.

결론#

다양하고 편향되지 않은 데이터를 수집하고 올바른 툴로 일관되게 어노테이션하는 것이 신뢰할 수 있는 컴퓨터 비전 모델의 기반입니다. 데이터셋이 수집되고 라벨링되었다면, steps of a computer vision project 가이드로 계속 진행하여 학습과 평가 단계로 넘어가세요.

FAQ#