라벨링 툴 | Ai Labeling Tool 29471 명이 이 답변을 좋아했습니다

당신은 주제를 찾고 있습니까 “라벨링 툴 – AI LABELING TOOL“? 다음 카테고리의 웹사이트 ppa.maxfit.vn 에서 귀하의 모든 질문에 답변해 드립니다: https://ppa.maxfit.vn/blog/. 바로 아래에서 답을 찾을 수 있습니다. 작성자 Thao My Le 이(가) 작성한 기사에는 조회수 177회 및 좋아요 없음 개의 좋아요가 있습니다.

라벨링 툴 주제에 대한 동영상 보기

여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!

d여기에서 AI LABELING TOOL – 라벨링 툴 주제에 대한 세부정보를 참조하세요

FPT Software thử nghiệm phát triển ứng dụng AI Labeling

라벨링 툴 주제에 대한 자세한 내용은 여기를 참조하세요.

[기술] 데이터 라벨링 툴 for Machine Learning [이미지만]

유명한 이미지 라벨링 툴 labelImg 이다. – object detection 학습을 위해 영상에서 Bounding Box 를 지정하여 라벨링을 수행하고, 그 bounding box …

+ 여기를 클릭

Source: byul91oh.tistory.com

Date Published: 4/21/2022

View: 6135

10개의 라벨링으로 자동화하는 데이터 라벨링 – DS2.ai

또한, 고도화된 Auto-labeling AI는 물체인식 AI로 바로 배포 및 활용할 수 있습니다. 스마트한 매직툴로 더욱 편리한 라벨링 검수 및 수정. 복잡한 형태의 개체도 신속 …

+ 더 읽기

Source: ko.ds2.ai

Date Published: 7/4/2022

View: 4905

스마트 라벨링 툴 – Appen

데이터 어노테이션 툴에는 이미지 어노테이션, 비디오 어노테이션, 텍스트, 센서, 오디오 어노테이션 등이 포함되어 있으며, 포괄적인 데이터 라벨링 …

+ 자세한 내용은 여기를 클릭하십시오

Source: kr.appen.com

Date Published: 5/7/2022

View: 7208

라벨링툴 – labelme & labelImg

labelme. 1. 설치 & 실행. anaconda prompt에서 labelme을 설치하고 실행한다. pip install labelme. labelme. 설치가 매우 쉽고 빠르다.

+ 여기에 자세히 보기

Source: rladuddms.tistory.com

Date Published: 7/29/2021

View: 5254

무료 딥러닝 이미지 및 점군 데이터 라벨링 도구 소개 및 사용방법

포인트, 클라우드, 점군, 라벨링, 도구, 딥러닝, point, cloud, label, labeling, tool, 소개, 방법, 사용.

+ 여기에 보기

Source: daddynkidsmakers.blogspot.com

Date Published: 10/1/2021

View: 8239

[Technology Toolkit 2021] 2. 데이터 줄게, 레이블링 [해]다오 …

데이터 줄게, 레이블링 [해]다오 Auto Labeling. … 또한 수동 레이블링을 진행할 때 전용 레이블링 툴을 사용하여 더욱 쉽게 많은 양의 데이터를 …

+ 더 읽기

Source: www.samsungsds.com

Date Published: 1/28/2021

View: 2917

Open Source 데이터 라벨링 툴 목록 … – 망가천재의 스토리텔링

Open Source 데이터 라벨링 툴 목록 List of open source annotation tools for ML. manga0713 2020. 8. 9. 21:30. □ Computer Vision …

+ 여기에 자세히 보기

Source: mangastorytelling.tistory.com

Date Published: 11/27/2022

View: 6863

YOLO 이미지 라벨링을 위한 labelImg 사용법 – velog

… 라벨링을 수행하고 Bounding Box 정보들을 좌표파일로 생성해야 한다. 이미지 라벨링 툴 labelImg를 이용해서 이미지 라벨링을 수행할 수 있다.

+ 여기에 자세히 보기

Source: velog.io

Date Published: 10/6/2021

View: 6351

[Object Detection] Image Labeling Tool

유명한 이미지 라벨링 툴 labelImg 이다. object detection 학습을 위해. 영상에서 Bounding Box 를 지정하여 라벨링을 수행하고.

+ 여기에 더 보기

Source: eehoeskrap.tistory.com

Date Published: 8/18/2022

View: 8024

주제와 관련된 이미지 라벨링 툴

주제와 관련된 더 많은 사진을 참조하십시오 AI LABELING TOOL. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.

AI LABELING TOOL
AI LABELING TOOL

주제에 대한 기사 평가 라벨링 툴

  • Author: Thao My Le
  • Views: 조회수 177회
  • Likes: 좋아요 없음
  • Date Published: 2020. 6. 17.
  • Video Url link: https://www.youtube.com/watch?v=natNT5jwG4Q

[기술] 데이터 라벨링 툴 for Machine Learning [이미지만]

툴 이름 설명 이미지 참고 링크

labelImg – 유명한 이미지 라벨링 툴 labelImg 이다.

– object detection 학습을 위해 영상에서 Bounding Box 를 지정하여 라벨링을 수행하고, 그 bounding box 정보들을 .xml 로 저장 할 수 있다.

– labelImg라는 Python 및 Pyqt 기반의 프로그램을 사용한다. labelImg

CVAT: Computer Vision Annotation Tool – 컴퓨터 비전 알고리즘의 데이터 레이블을 지정하는 데 사용되는 무료 오픈 소스 웹 기반 이미지 및 비디오 주석 도구이다.

– 웹 기반의 툴이고, 디지털 이미지와 동영상 레이블링에 쓰인다.

주로 object detection, image segmentation and image classification을 위해 쓰인다.

– Computer vision data 레이블링을 위한 광범위한 feature를 보유하고 있다.

– CVAT는 데이터 레이블링에 다소 시간이 걸린다. CVAT

LabelMe – MIT 컴퓨터 과학 및 인공 지능 연구소에서 만든 프로젝트로 주석과 함께 디지털 이미지의 데이터 세트를 제공한다.

– 데이터 세트는 동적이며 사용이 자유롭고 대중에게 공개됩니다.

– 컴퓨터 비전 연구에 적절하다.

– Rectangle 뿐만 아니라 Polygon, Line, Point등 다양한 형태의 도형을 labeling 할 수 있다.

– Classification, Segmentation 등 다양한 task의 labeling도 지원한다.

– 다양한 기능을 가진 만큼 사용법을 익히기 위해 tutorial을 통해 약간의 사용법을 익힐 필요가 있다. labelme

Labelbox – Computer vision application을 구축하기 위한 데이터 annotation에서 가장 빠른 툴로 인식된다.

– Labelbox은 artificial intelligence applications을 만들기 위한 데이터 라벨링 툴이다.

– Labelbox를 사용하면 사용자 지정 레이블 인터페이스를 사용할 수 있다. – Labelbox를 사용하면 이미지와 텍스트의 기본 레이블을 간단하게 만들 수 있지만, point clouds, maps, videos or medical DICOM imagery와 같은 다양한 데이터 유형이 있으므로 맞춤형 레이블 인터페이스가 필요하다. 이를 위해 Labelbox는 사용자 지정 레이블 프런트 엔드를 쉽게 작성, 설치 및 유지 관리 할 수 있도록 설계하는데 도움을 준다. – labeling 결과를 csv, json 뿐만 아니라 일반적으로 많이 사용하는 데이터셋의 format(COCO, VOC, TFRecord) 등으로 export할 수 있어서 사용 중인 코드가 만약 저러한 format을 input으로 사용하도록 짜여 있는 경우 별도의 변환 과정 없이 쉽게 사용이 가능하다는 장점이 있다.

– 웹을 통해 데이터를 업로드하고 annotation을 제작하는 방식이라 인터넷이 연결 되어있는 상황에서만 사용이 가능하며, 특히 데이터 보안 issue가 존재하는 경우에는 사용하기 어려운 단점이 있다. Labelbox

VoTT – 데이터 셋을 제작하는데 end-to-end support를 제공한다(자료처리 시스템 / 학습시스템에서 여러 단계의 필요한 처리과정을 한번에 처리합니다. 즉, 데이터만 입력하고 원하는 목적을 학습시키는 것을 뜻한다.)

– 비디오와 이미지를 기반으로 한 객체 탐지 모델(Object Detection) 을 검증하는데 쓰인다.

– 마이크로 소프트가 개발 VoTT

imglab – dllib(이미지 처리 및 기계 학습, 얼굴인식 등을 할 수 있는 c++ 로 개발된 고성능의 라이브러리)이나 객체 탐지기를 학습시키기 위한 이미지 레이블링에 사용되는 웹 기반의 툴이다. imglab

YOLO Mark – 이미지 안의 객체를 사각형 박스로 표시한 레이어 안의 데이터를 레이블링 하는 툴이다.

– 이는 Yolo v3 과 Yolo v2라는 Neural network를 학습하는 데 쓰인다. Yolo_mark

PixelAnnotationTool – 디렉토리 안의 이미지에 손으로 빨리 Data annotation을 도와주는 소프트웨어이다.

– OpenCV에서는 마커 기반watershed 알고리즘을 기반으로 한다. PixelAnnotationTool

OpenLabeling – YOLO v2 포맷에 에 필요한 학습 데이터 세트를 만들기 위한 Open Source labeling tool – Open CV를 사용한 후, SIFT와 Tracking algorithm을 활용하여 라벨링 작업을 쉽„게 한다. OpenLabeling

imagetagger – ImageTagger는 image labeling, verifying annotations, up- and downloading images/labels, managing users and teams, and the definition of image and label categories와 같이 이미지 라벨링에 필요한 통합적 인터페이스들을 웹 기반의 오픈소스 툴이다.

– 주소: https://imagetagger.bit-bots.de imagetagger

imagetagger_관련 참고 논문

Alturos.ImageAnnotation – Neural Networks를 위해 학습 데이터셋을 관리하는데 사용되고, 이미지들은 아마존의 S3 버킷과 같은 저장소에 저장이 된다.

– 서로 다른 특성을 가진 이미지에 일괄적으로 annotation하고 싶다면 Alturos.ImageAnnotation 내의 패키지에 태깅하고자 하는 태그값들을 설정하고, 이미지 데이터를 담은 폴더를 이 패키지에 업로드하면 된다. 이후의 데이터들은 데이터 베이스에 보관이 된다. Alturos.ImageAnnotation

DeepLabel – 레이블링된 bounding box에 이미지를 annotation하는 cross-platform tool 이다. – use-case: 객체 담지 머신러닝 application을 위한 ground truth data를 라벨링하는 것이다. – Windows, Linux and Mac에서 모두 적용할 수 있다. deeplabel

MedTagger – 의료 데이터셋을 라벨링하고 축적하는데 도움이 되는 소프트웨어 환경을 조성하는데 쓰인다.

– 향후 새로운 데이터에 라벨링할때, 유용하게 사용될 데이터 셋을 만들기 위한 Validation작업도 해준다. MedTagger

Turktools – Turktools는 Amazon Mechanical Turk에 대한 언어 조사를 구성하는 데 도움이되는 무료 오픈 소스 도구이다. – 이 도구를 사용하면 언어 문법 조사, 문장 완성 작업 및 사진 일치 작업을 포함한 광범위한 언어 작업 데이터셋을 만들 수 있다. turktool

Pixie – Pixie는 경계 상자, 다각형, 자유 그리기 및 시맨틱 분할 객체 레이블을 제공하는 GUI Annotation 도구이다. Pixie

OpenLabeler – OpenLabeler는 데이터에 정보를 Annotation을 하기 위한 오픈 소스 응용 프로그램이다. – 인공 지능 및 딥 러닝 교육을 위해 PASCAL VOC 형식 XML 주석 파일을 생성할 수 있다. – 이 오픈 소스의 특별한 점은 TensorFlow와 같은 툴을 참고해서 정확성을 개선하고 Annotation 처리 속도를 높이는 기능이다. OpenLabeler

Anno-Mage: A Semi Automatic Image Annotation Tool – 사전 훈련 된 모델을 사용하여 80 개의 객체 클래스에 대한 Annotation을 제안하여 이미지 라벨링을 도와주는 반자동 이미지 주석 도구이다. – Keras나 TensrFlow가 사용될 수 있다. Anno-Mage

CATMAID 대량의 이미지 데이터를 위한 Annotation 도구이다 .

CATMAID 사이트 활용사례

makesense.ai – makesense.ai는 사진 라벨링을 위해 무료 온라인 도구이다. – 브라우저를 사용하기 때문에 복잡한 설치가 필요하지 않고, 운영 체제에서 실행을 할 수 있다.

– 소규모 컴퓨터 비전 딥러닝 프로젝트에 적합한데, 이를 위한 데이터 세트 준비 프로세스가 훨씬 쉽고 빠르게 하는데 도움이 된다.

– 응용 프로그램은 TypeScript로 작성되었으며 React / Redux duo를 기반으로 한다. make-sense

LOST – Label Objects and Save Time – LOST는 특히 반자동 Annotation 파이프 라인을 모델링하여 Annotation 프로세스의 속도를 높이도록 설계하는데 도움이 된다.

– 여기서 사용되는 반자동 Annotation은 LOST 내부의 주석에 제시된 AI 생성 주석 제안을 사용하여 달성 할 수 있습니다.

– LOST사이트 LOST

annotorious – 이미지 Annotation을 위한 JavaScript 라이브러리를 제공하고, 몇 줄의 코드만으로 웹 페이지의 이미지에 그리기, 주석 달기 및 태그 지정 기능을 추가할 수 있다.

– 이 프로젝트는 오래된 원본 Annotorious를 현대적으로 재부팅 한 것이다. Annotorious

라벨링툴 – labelme & labelImg

labelme

1. 설치 & 실행

anaconda prompt에서 labelme을 설치하고 실행한다.

pip install labelme

labelme

설치가 매우 쉽고 빠르다.

2. annotation

annotation할 이미지 혹은 이미지 폴더를 open한다.

create polygons를 선택하여 마우스 클릭으로 객체를 분할한다.

처음 시작점으로 polygon을 찍으면 class를 생성할 수 있다.

다하고 save하면 json파일로 저장된다.

label명이 같으면, 같은 색으로 표시된다. 저장된 json폴더, label이름과 점의 좌표가 기록되어 있다.

+추가자료

github.com/wkentaro/labelme/blob/master/README.md

labelImg

1. 설치 & 실행

anaconda prompt에서 labelme을 설치하고 실행한다.

pip install labelimg

labelmg

2. annotation

annotation할 이미지 혹은 이미지 폴더를 open한다. (labelme 와 동일)

YOLO, PascalVOC 중 어떤 형식으로 저장할 것인지 선택한다.

w키를 누르면 bounding box를 만들 수 있고, class로 저장할 수 있다.

다하고 save하면 txt파일로 저장된다.

bounding box 꼭지점 4개가 저장된다.

+추가자료

labelimg 사용방법

+다양한 라벨링툴들

daddynkidsmakers.blogspot.com/2020/04/blog-post.html

kdj1018.tistory.com/entry/%EA%B8%B0%EC%88%A0-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%9D%BC%EB%B2%A8%EB%A7%81-%ED%88%B4-for-Machine-Leraning

Daddy Makers: 무료 딥러닝 이미지 및 점군 데이터 라벨링 도구 소개 및 사용방법

개요

라벨링 도구 사용 사례

참고로 여기에서 소개되는 라벨링 도구는 주로 잘 사용하는 것만 공유한 것이다. 나머지 도구는 아래 링크를 참고하길 바란다.

이미지 데이터 라벨링

가장 편하게 사용할 수 있는 도구는 가장 편하게 사용할 수 있는 도구는 BBox Label Tool 이다. 이 도구는 다음과 같이 라벨과 경계박스를 입력해 그 결과를 텍스트파일로 저장할 수 있다.

여기서는 Semantic Segmentation Editor 를 간단히 소개한다. 다음과 같이 설치하고, 실행해 본다.

이 글은 무료 이미지 및 점군 데이터 라벨링(labeling) 도구를 소개한다. 딥러닝에 필요한 데이터를 라벨링하는 작업은 노가다다.라벨링은 딥러닝 모델에 입력되는 데이터에 대한 출력이 무엇인지를 정의하는 것을 말한다. 예를 들어, 이미지에서 고양이를 분류한다면, 입력 이미지에서 출력 고양이 경계를 그리고 ‘cat’이라고 클래스 이름을 붙이는 것을 라벨링 작업이라 한다.다음은 라벨링 작업이 무엇인지 잘 보여준다.이 작업은 학습용 데이터를 준비하는 수많은 과정 중 하나이다. 다음 순서도는 다른 관련 단계들을 보여준다.일반적으로 하나의 사진 이미지에 여러 객체를 라벨링하는 작업은 하나의 경계 박스 클릭에 1~2초 정도 걸린다. 한 장당 평균 2~4개의 경계박스를 선택해야 할 경우, 400장이라면, 대략 40분이 걸린다. 이 경우, 라벨링 속도는 10장/분이고, 6초당 1장을 라벨링하는 수준이다. 딥러닝을 위해서는 수천장의 데이터가 필요하므로, 3000장을 준비하려면 약 8시간 정도 시간이 필요하다.이 경우에도 경계박스가 작은 경우이고, 한장에 많은 객체가 포함되어 있으면 그와 비례해서 많은 시간이 소요될 수 있다. 2차원 이미지에 비해 3차원 점군은 훨씬 더 많은 작업 시간이 필요하다.라벨링 후에는 딥러닝 모델에 맞는 학습용 데이터 형식으로 변환되어야 한다. 이 부분은 다음 링크를 참고한다.이미지 라벨링은 크게 각 클래스에 대한 경계박스, 폴리곤을 이용한 세그먼테이션 등으로 구분할 수 있다.

[Technology Toolkit 2021] 2. 데이터 줄게, 레이블링 [해]다오 Auto Labeling

인공지능

박성원

Technology Toolkit 2021은 삼성SDS 연구소에서 연구개발 중인 주요 기술들을 설명하는 기술 소개서입니다.

AI, Blockchain, Cloud, Security 기술 분야의 총 7개 기술에 대해서 각각 기술 정의, 주요 기능, 차별화 포인트 및 Use Cases를 소개하여 독자 여러분께 인사이트를 제공하고자 합니다.

Auto Labeling(자동 레이블링)

딥러닝 기반의 레이블링 기술

문서 다운로드

1. 기술 소개

기술 동향 및 배경

AI 기술이 발달하면서 AI 서비스에 대한 수요가 많아지고 있습니다. AI 서비스를 개발하는 과정에는 수많은 작업이 필요합니다. 예를 들면, 학습을 위한 정답지를 만들고, 학습 효율성이 높은 모델을 찾아야 하는 작업이 있습니다. 전체 작업 중 한 과정이라도 소홀히 진행한다면 AI 기술의 성능을 기대할 수 없기 때문에, 연구자와 개발자는 수작업으로 진행하는 경우가 많습니다. 여러 과정 중에서 가장 기본적이면서 노동력을 집중하는 작업은 단연 데이터에 대한 정답지를 만드는 레이블링입니다.

[그림 1] 레이블링

AI 모델의 성능은 학습에 사용하는 데이터의 양이 많을수록 좋아지는 경향이 있기 때문에, 레이블이 있는 수많은 데이터가 필요합니다. 그런데 수십만, 수백만 개의 데이터를 수작업으로 레이블링하는 것은 엄청난 노동력과 시간이 필요합니다. 또한 잘못된 레이블이 있으면 AI 모델의 성능에 악영향을 미치기 때문에, 레이블이 정확한지 검토하는 과정도 필요합니다. 이러한 레이블링의 번거로움 때문에 수작업을 줄일 수 있는 기술에 대해 시장 수요가 커지고 있습니다. Amazon, IBM, Microsoft 등 글로벌 기업과 스타트업들이 참여하고 있는 자동 레이블링 기술에 대해 소개하고, 수많은 연구자와 개발자들의 레이블링에 대한 수고를 덜 수 있도록 지원하고자 합니다.

기술 정의

레이블링이란 주어진 데이터에 정답지를 만들어주는 작업이고, 이때 정답지를 레이블이라고 합니다. 딥러닝(Deep Learning)에서 지도학습(Supervised Learning)을 하는 경우, 주어지는 데이터에 대해 레이블이 있어야 합니다. 또한 부정확한 레이블로 학습을 하게 되면 모델의 성능이 떨어지기 때문에, 정확한 레이블링이 매우 중요합니다.

레이블링이 필요한 딥러닝 기술은 이미지 처리, 자연어 처리 등 매우 많습니다. 그중에서 이미지 분류, 객체 검출, 이미지 분할과 텍스트 분석에 대한 레이블링을 소개하고, 이에 적용하는 액티브 러닝 기술이 무엇인지 간략하게 살펴보겠습니다.

① 컴퓨터 비전(Computer Vision; CV)

• 이미지 분류(Image Classification)

이미지 분류의 목적은 여러 클래스가 주어졌을 때, 각 이미지가 어떤 클래스에 속하는지 분류하는 것입니다. 예를 들어, 수십만 장의 개, 고양이 이미지가 주어지고 이 이미지들을 개와 고양이로 분류하는 작업이 있다고 했을 때, 개와 고양이가 주어진 클래스이고, 개 이미지를 “개”라는 클래스로 분류하고, 고양이 이미지를 “고양이”라는 클래스로 분류하는 작업이 이미지 분류입니다.

이미지 분류에서 필요한 레이블링은 각 이미지를 주어진 클래스 중에서 알맞은 클래스로 분류하여 레이블을 만드는 것입니다. 주로 한 이미지당 하나의 레이블을 할당하지만, 작업에 따라 한 이미지가 여러 클래스에 속할 수도 있기 때문에 한 이미지에 여러 레이블을 할당하는 경우도 있습니다.

[그림 2] 이미지 분류(출처: Pixabay)

• 객체 검출(Object Detection)

객체 검출의 목적은 여러 클래스가 주어졌을 때, 각 이미지 내에 주어진 클래스에 속하는 객체를 모두 찾는 것입니다. 예를 들면, 강아지, 고양이 이미지에서 강아지와 고양이를 검출하는 작업이 있다고 했을 때, 강아지와 고양이가 주어진 클래스이고, 이미지 내의 모든 강아지와 고양이를 찾아 표시하는 작업이 객체 검출입니다. 객체 검출에서 필요한 레이블링은 각 이미지 내에 주어진 클래스에 속하는 모든 객체의 위치와 알맞은 클래스를 할당하는 것입니다.

[그림 3] 객체 검출(출처: Pixabay)

• 이미지 분할(Image Segmentation)

이미지 분할을 크게 의미론적 분할(Semantic Segmentation)과 인스턴스 분할(Instance Segmentation)로 나눌 수 있습니다. 의미론적 분할은 이미지 내의 각 픽셀(Pixel)이 주어진 클래스 중 어떤 클래스에 속하는지 분류하는 것입니다. 인스턴스 분할은 이미지 내에서 주어진 클래스에 속하는 객체를 찾고, 해당 객체에 해당하는 픽셀을 표시하는 것입니다. 예를 들면, 들판 위에 세 마리의 강아지가 나란히 겹쳐져 있는 사진이 주어졌다고 했을 때, 세 마리의 강아지를 구분하지 않고 각 픽셀에 모두 “강아지”라고 표시하는 것이 의미론적 분할이고, 세 마리의 강아지를 모두 구분하면서 각 픽셀에 “강아지-1”, “강아지-2”, “강아지-3”이라고 표시하는 것이 인스턴스 분할입니다.

의미론적 분할에서 필요한 레이블링은 이미지 내 각 픽셀을 알맞은 클래스로 분류하는 것이고, 인스턴스 분할에서 필요한 레이블링은 이미지 내 주어진 클래스에 속하는 모든 객체의 픽셀과 알맞은 클래스를 할당하는 것입니다.

[그림 4] 의미론적 분할(좌), 인스턴스 분할(우) / 출처: Pixabay

② 자연어 처리(Natural Language Processing; NLP)

• 개체명 인식(Named Entity Recognition)

개체명 인식의 목적은 문장에서 미리 정해놓은 개체들을 추출하는 것입니다. 즉, 특정 단어가 미리 정해진 개체에 속하는지 아닌지 분류하는 것입니다. 예를 들면, “철수가 학교에 간다.”라는 문장이 있을 때, “철수”는 “사람 이름”, “학교”는 “장소”로 분류하는 것이 개체명 인식입니다. 개체명 인식에서 필요한 레이블링은 문장 내에서 단어에 알맞은 개체명을 할당하는 것입니다.

• 의도 분류(Intent Classification)

의도 분류의 목적은 문장의 의도를 분류하는 것입니다. 예를 들면, “아메리카노 한 잔 주세요.”라는 문장이 있을 때, 이 문장이 “구매”의 의도가 있다는 것으로 분류하는 것이 의도 분류입니다. 의도 분류에서 필요한 레이블링은 각 문장에 알맞은 의도를 할당하는 것입니다.

[그림 5] 의도 분류

• 액티브 러닝(Active Learning)

액티브 러닝은 레이블링이 되어 있지 않은 데이터 세트가 있을 경우 더욱 빠르게 높은 성능의 딥러닝 모델을 만들기 위하여 시작됐습니다. 액티브 러닝 방법론은 레이블이 없는 데이터 세트를 연구개발자가 전부 레이블링할 때까지 기다리지 않습니다. 딥러닝 모델의 현 상태에서 주어진 데이터 세트에 대하여 판단해 보고, 가장 판단하기 어려운 일부 데이터를 연구개발자에게 제시합니다. 그러면 연구개발자는 해당 데이터를 우선하여 레이블링하고, 모델은 새롭게 레이블링된 데이터를 포함하여 학습을 진행합니다. 그리고 다시 학습한 상태에서 주어진 데이터 세트에 대하여 판단해 보고, 가장 판단하기 어려운 일부 데이터를 연구개발자에게 제시하는 방식으로 반복하여 진행합니다. 딥러닝 모델이 판단하기 어려웠던 데이터를 먼저 보강했기 때문에, 더 빠르게 높은 성능의 모델을 얻을 수 있게 됩니다.

[그림 6] Active Learning

2. 주요 기능

자동 레이블링은 주요 데이터를 선택적으로 레이블링하여 모델을 학습하는 지능형 과정을 통해서 학습 데이터에 대한 레이블을 빠르게 생성할 수 있도록 지원하는 비즈니스 솔루션입니다. 레이블링되지 않은 데이터 중 소량의 데이터를 수동 레이블링하고, 레이블 정보와 다른 레이블이 있는 데이터를 함께 학습하여 나머지 데이터의 레이블을 빠르게 생성합니다. 레이블을 판단하기 어려운 데이터는 다시 수동 레이블링을 하고, 확실한 데이터는 자동 레이블링함으로써 자동화된 레이블링 프로세스를 제공합니다.

수동 레이블링

수동 레이블링은 연구개발자가 레이블링에 개입하여 데이터에 대한 레이블을 만드는 것입니다. 이 과정을 통해서 생성된 레이블은 일반적으로 확정된 레이블입니다. 자동 레이블링은 수동 레이블링을 더욱 쉽고 빠르게 레이블링할 수 있는 레이블링 전용툴을 제공합니다.

[그림 7] 수동 레이블링 화면

자동 레이블링

자동 레이블링은 딥러닝 모델을 통해서 예측한 레이블을 의미합니다. 이 과정을 통해서 생성한 레이블은 확정된 레이블이 아닙니다. 이렇게 예측된 레이블은 준지도학습(Semi-supervised Learning)과 같이 예측된 레이블을 이용하는 학습에 사용하거나, 수동 레이블링을 더욱 쉽게 해주기 위한 용도로 사용합니다. 자동 레이블링은 적은 양의 레이블링 데이터를 이용하여 레이블링되지 않은 데이터를 자동으로 레이블링합니다.

[그림 8] 자동 레이블링 화면

자동 리뷰(Auto Review)

자동 리뷰는 이미 레이블링된 데이터를 분석하여 기존의 레이블을 분리하거나 통합하는 과정을 통해 데이터의 질을 향상하고 학습 성능을 높이는 데 사용합니다.

[그림 9] 자동 리뷰

레이블 매니저(Label Manager)

다수의 사람이 협업하여 많은 양의 레이블을 생성할 경우, 레이블 매니저를 이용하면 레이블을 효율적으로 생성할 수 있습니다. 관리자는 레이블을 생성하는 워커를 그룹으로 지정하여 레이블 생성 Job을 생성합니다. Job이 생성되면 레이블 매니저는 Job의 설정에 맞춰 데이터를 그룹 워커에게 분배합니다. 관리자는 레이블 매니저를 통해서 워커의 진행 상황을 체크하고 각 워커의 레이블을 검수할 수 있습니다.

[그림 10] 레이블 매니저

3. 차별화 포인트

데이터 샘플링(Data Sampling)

자동 레이블링은 완전히 레이블이 없는 상태에서부터 이미지를 샘플링합니다. 샘플링은 데이터 세트 내 레이블이 없는 이미지에서 Features를 추출하고, 자체 알고리즘을 이용하여 원하는 양의 이미지 수를 선택합니다.

a. Deep Features를 이용한 자체 데이터 샘플링 기술 보유

? 레이블이 없는 초기 상태에서 동작하는 샘플링 기술

? 랜덤 대비 약 6% 향상된 성능

b. 성능 향상을 위한 자체 학습 모델 보유

? Curriculum Learning 방식으로 수동 레이블링 이미지 추천

? 랜덤 대비 Curriculum Learning 평균 정확도 차이 4~10%

[그림 11] Curriculum Learning Accuracy [그림 11] Curriculum Learning Accuracy

98.1%, 업계 최고수준의 자동 레이블링 정확도 제공

공개 데이터 80% 대비 98.1%로 높은 레이블링 정확도와 A사 대비 최대 1.8배 높은 자동화율로 업계 최고수준의 레이블링 성능을 제공합니다.

STL 10 레이블링 정확도 그래프 y축: 모델 정확도(%), x축: Labeled data 비율 Active Learning (Classification) 디지털 ESG 개념도의 항목: 환경, 사회, 경영성과에 대한 개발, 구매, 제조, 폐기, 판매/물류, 사용/서비스 Labeled data 비율 모델 정확도 Active Learning Random 5 83.35% 83.35% 10 91.80% 약 85% 15 95.83% 약 89% 20 98.14% 86.67% Classification (분류), 자동화율 1.4배 A사, Auto Labeling 모두 Labeling 정확도 97.1% 달성 시

실험 조건: STL10 (12,998장, 10클래스)이용 Detection (검출), 자동화율 1.8배 A사, Auto Labeling 각 Labeling 정확도 85.4%, 83.28%

실험 조건: VOC2007(5,000장) 20개 클래스 중, A사: 10개 클래스, Auto Labeling: 20개 클래스 [그림 12] 레이블링 정확도(상), A사 대비 자동화율(하)

4. Use Case

제조 현장의 Defect 분류

휴대폰 외관, 반도체 웨이퍼 불량 검사에 자동 레이블링을 사용할 수 있습니다. 외관 불량 이미지 분류를 위해 자동으로 레이블링 작업을 수행하여 시간/비용을 절감할 수 있습니다. 자동차 제조 공정 중 발생하는 도장의 외관 불량 검사에 자동 레이블링을 사용하여 레이블링 데이터 세트를 빠르게 생성할 수 있습니다.

제조 현장 Defect 분류에 적용할 수 있는 자동 레이블링의 A사: 표면검사 공정의 Defect 유형분류, B사: 자동차 도장 불량 검출에 대한 Challenge, Solution, Benefit A사: 표면검사 공정의 Defect 유형분류 B사: 자동차 도장 불량 검출 Challenge 담당자들이 Defect 영상을 육안으로 분류하여 숙련도 낮은 작업자로 인한 분류 정확도 저하 및 작업자들 간의 작업능률 차이 발생 컨베이어에서 이동하는 제품의 도장불량 상태를 담당잗들이 육안으로 검출하므로 검출 정확도가 낮은 상태 Solution 숙련자들을 활용한 학습데이터 마련

딥러닝 학습을 위한 모델 구조 제안

딥러닝 모델 생성 및 적용 도장불량 데이터 학습을 위한 답안지 생성

데이터 전처리, 딥러린 모델 생성 및 적용 Benefit 반복적인 단순 분류업무 투입인력, 비용 절감

모델 구축 기간 단축 모델 구축 기간 단축

불량상태의 검출속도 향상

반복적인 단순 분류업무 투입인력, 비용 절감 [그림 13] 제조 현장 Defect 분류에 적용할 수 있는 자동 레이블링

5. 비즈니스 사례

제조분야 사례

머리카락보다 얇은 적층세라믹커패시터(MLCC) 데이터는 레이블링에 더욱 많은 시간이 필요합니다. 자동 레이블링은 일부 데이터(20%)만 레이블링하면 남은 80%의 데이터에 대해 자동으로 레이블링하여 레이블링 시간을 절감할 수 있게 되었습니다. 또한 수동 레이블링을 진행할 때 전용 레이블링 툴을 사용하여 더욱 쉽게 많은 양의 데이터를 레이블링할 수 있었습니다.

[그림 14] 비즈니스 사례 적용 화면

다수 기업에서 시험 적용 테스트 진행

자동 레이블링은 현재 다수의 기업에서 시험 적용과 테스트를 하며 영역을 확장하고 있습니다.

6. 맺음말

지금까지 자동 레이블링의 기술과 적용 사례를 살펴보았습니다. 딥러닝 모델 학습에 필요한 데이터를 매번 수동 레이블링하지 않는 방법을 찾는 과정에서 자동 레이블링에 관한 연구를 시작하였습니다. 2019년부터 제조 현장을 중심으로 적용하고 있고, 더 나아가 금융, 의료 등의 다양한 영역으로 적용을 확대하고 있습니다. 이에 따라 자동 레이블링을 다양한 산업에 적용하면서 현장 데이터에 대한 확보와 이해가 더욱 필요함을 실감하고 있습니다. 자동 레이블링은 더 나은 성능 향상을 위해 산업 현장과 교류하며 끊임없이 노력하여 세계 최고수준의 기술 경쟁력과 함께 시장에서의 차별성을 확보해 나갈 것입니다.

Auto Labeling 딥러닝 기반의 레이블링 기술

동영상 보기

Open Source 데이터 라벨링 툴 목록 List of open source annotation tools for ML

■ Computer Vision

■ Point Clouds

■ Text

■ Other Data Types/Applications and multiple applications

Tool Types Screen Shot Features License CrowdCurio Time Series Annotator Library time series annotation Support for feature annotation tasks.

Support for interactive practice tasks.

Support for multivariate time series.

Support for medical time series in EDF format.

Integrated support for CrowdCurio. Curve annotation of time series anomalies Apache-2.0 Franklin DNA sequence annotations MIT Label-studio Supports image annotation as well as text annotation Apache-2.0 TagAnomaly annotation of time series anomalies MIT

[simonwenkel.com “List of annotation tools for machine learning research”의 내용을 표로 정리]

[Object Detection] Image Labeling Tool

728×90

반응형

유명한 이미지 라벨링 툴 labelImg 이다.

object detection 학습을 위해

영상에서 Bounding Box 를 지정하여 라벨링을 수행하고

그 bounding box 정보들을 .xml 로 저장 할 수 있다.

https://github.com/tzutalin/labelImg

labelImg

사용법은 간단하다.

1. 설치

$ pip install labelImg

2. 실행

$ labelImg

3. 폴더 지정

Open Dir

Change Save Dir

4. 단축키

Ctrl + u Load all of the images from a directory Ctrl + r Change the default annotation target dir Ctrl + s Save Ctrl + d Copy the current label and rect box Space Flag the current image as verified w Create a rect box d Next image a Previous image del Delete the selected rect box Ctrl++ Zoom in Ctrl– Zoom out ↑→↓← Keyboard arrows to move selected rect box

728×90

반응형

키워드에 대한 정보 라벨링 툴

다음은 Bing에서 라벨링 툴 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.

See also  중국 은행 | 중국 은행 '예금인출중단' 피해자 수천 명 시위...유혈충돌 / Ytn 상위 176개 베스트 답변
See also  엘지 와이파이 | Lg Thinq 앱에 Wi-Fi로 제품 연결하기 (아이폰) 상위 95개 답변

See also  오디세이 징크스 | 오디세이 징크스 \U0026 크로마 팩 (Odyssey Jinx Skin \U0026 Chroma Pack) 70 개의 정답

이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!

사람들이 주제에 대해 자주 검색하는 키워드 AI LABELING TOOL

  • 동영상
  • 공유
  • 카메라폰
  • 동영상폰
  • 무료
  • 올리기

AI #LABELING #TOOL


YouTube에서 라벨링 툴 주제의 다른 동영상 보기

주제에 대한 기사를 시청해 주셔서 감사합니다 AI LABELING TOOL | 라벨링 툴, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.

Leave a Comment