들어가며

이번 시간에는 레이블링을 통해 특정 task 들을 수행하는 데 필요한 정보를 딥러닝 모델이 이해할 수 있게끔 데이터에 의미를 부여하는 방법에 대해 살펴보았습니다. 이를 통해 데이터 레이블링에 매우 많은 시간이 소요됨을 알 수 있었는데요. 오늘은 레이블링 중에서도 AI를 기반으로 한 레이블링 기능은 어떤 것이 있는지, 어떤 특징을 가지고 있는지 이야기하는 시간을 가져보겠습니다!

AI 레이블링의 기반: Foundation 모델이란?

딥러닝에서는 처음 보는 데이터에도 안정적으로 작동하는 '일반화'된 모델을 지향합니다. 그중 하나가 바로 Foundation 모델로, 대규모 범용 이미지 데이터를 기반으로 사전 학습되어 다양한 과제를 적은 학습량만으로도 빠르게 파인튜닝(fine-tuning) 할 수 있다는 강점을 지닙니다. 예를 들어, CLIP, SAM, DINO, Segment Anything 등이 이 범주에 속합니다. 이와 같은 구조 덕분에 Foundation 모델은 별도의 추가 학습 없이도 새로운 클래스에 대한 문제를 효과적으로 처리할 수 있으며, 사전 학습된 데이터를 활용해 빠르고 효율적인 레이블링이 가능합니다.

뉴로클 또한 이러한 Foundation 모델 기반의 다양한 AI 레이블링 기능을 통해 작업의 자동화를 실현하고, 리소스 사용을 획기적으로 줄였습니다.

AI 기반의 레이블링 기능 4가지 소개

AI를 기반으로 하는 레이블링 기능들은 다양합니다. 예를 들어, 뉴로티에는 대표적으로 4가지의 AI 레이블링 기능이 탑재되어 있습니다. Auto-Selector, Keyword Labeler, Shape Converter, Auto-Labeling으로 비전 검사 워크플로우에서 가장 많은 시간과 노력이 투입되는 레이블링 단계의 공수를 최소화합니다. 결과적으로 작업자의 수고를 덜고, 레이블링의 정확성과 일관성을 높이는 데 크게 기여하죠.

Auto-Selector: 한 번의 클릭만으로 가능한 레이블링

Auto-Selector는 객체의 특징을 기반으로 레이블링을 수행하는 AI 기능입니다. 사용자가 레이블링이 필요한 영역을 클릭하거나 드래그하면, AI가 해당 지점을 중심으로 유사한 속성을 가진 영역을 자동으로 탐지합니다. 이후 단 한 번의 클릭과 드래그만으로도 레이블링 영역을 손쉽게 추가하거나 제거할 수 있어, 반복 작업에 드는 부담을 크게 줄여줍니다.

(좌) Auto-Selector의 Point 기능 / (우) Auto-Selector의 Box 기능

이 기능은 객체의 범위에 따라 Point와 Box 두 가지 방식으로 구분됩니다. Point는 유사한 특성을 지닌 객체의 영역을 자동으로 인식해 선택하는 방식이며, Box는 특정 영역에 국한하여 그 안에 포함된 유사 객체들만을 선택적으로 레이블링하는 방식입니다. 특히 Box의 경우, 이미지 내 레이블링을 진행하고자 하는 영역에 Box를 그린 뒤, 해당 영역 내에서만 유사한 객체를 탐지해 레이블링을 진행할 수 있어 더욱 정밀한 제어가 가능합니다. Auto-Selector을 사용하면 기존의 수동 레이블링만큼 정교한 레이블링을 최단 시간 내에 진행할 수 있습니다.

Keyword Labeler: 키워드 입력만으로 가능한 레이블링

Keyword Labeler는 키워드를 기반으로 레이블링을 수행하는 기능입니다. 사용자가 간단한 키워드를 입력하면, 이미지 내 해당 키워드에 부합하는 부분을 자동으로 감지해 Box 형태로 레이블링을 진행합니다.

이 기능의 가장 큰 장점은 입력한 키워드를 바탕으로 전체 데이터 내에서 해당되는 영역에 대한 일괄 레이블링이 가능하다는 점입니다. 덕분에 반복 작업 없이도 대량의 이미지에 대해 빠르게 레이블링을 마칠 수 있어, 작업 시간이 획기적으로 단축됩니다.

한 가지 더 주목할 점은 바로 레이블링 정확도인데요. Keyword Labeler 역시 대규모 범용 데이터로 사전 학습된 Foundation 모델을 기반으로 동작하기 때문에, 단순한 속도나 편의성뿐 아니라 레이블링의 정밀도 측면에서도 뛰어난 성능을 보여줍니다. 결과적으로 사용자는 보다 전략적이고 창의적인 업무에 집중할 수 있는 환경을 갖추게 됩니다.

Shape Converter: 클릭만으로 레이블 영역 변환이 가능한 레이블링

Shape Converter는 클릭만으로 박스 형태의 레이블 영역을 보다 정교한 폴리곤 형태로 변환해 주는 레이블링 기능입니다. 예를 들어, Keyword Labeler를 통해 이미지 전체에 Box 형태의 레이블을 일괄 지정한 후, Shape Converter를 적용하면 모든 Box를 보다 정교한 폴리곤 형태로 손쉽게 전환할 수 있습니다. 이는 동일한 종류의 객체가 반복적으로 등장하는 학습 데이터나, 각 객체 특징이 뚜렷한 이미지에서 특히 유용하게 활용됩니다.

Shape Converter 기능을 사용하면 사용자는 이미지 각각에 대한 수동 레이블링 없이 전체 레이블된 데이터에 대한 검수만 진행하면 되므로 매우 편리해집니다. 또한, 객체의 특징에 적합한 레이블 형태로 변환이 가능하므로 레이블링의 정확도 또한 한층 향상됩니다.

Auto-Labeling: 소량 이미지 학습으로 가능한 일괄 레이블링

Auto-Labeling은 사용자가 사전에 지정한 기준에 따라 레이블링된 소수의 이미지를 기반으로 나머지 이미지에 레이블링 영역을 자동으로 추천되는 기능입니다. 이 기능은 특히 레이블링해야 할 이미지가 많은 경우나, 매우 정교한 영역에 레이블링이 필요한 경우에서 매우 효과적입니다. 더불어 앞서 언급된 Auto-Selector 기능으로 단일 이미지를 먼저 레이블링한 뒤, Auto-Labeling을 통해 모든 이미지에 동일한 기준으로 일괄 레이블링을 적용하는 것도 가능합니다.

결과적으로 Auto-Labeling은 최소한의 수동 작업만으로 대규모 이미지에 대한 레이블링을 자동화하며, 사용자가 원하는 방식으로 기준을 설정할 수 있기 때문에 높은 유연성과 정확도를 모두 만족시킬 수 있습니다. 이를 통해 작업 시간은 줄이고 품질은 유지하는, 사용자 맞춤형 AI 레이블링이 실현됩니다.

AI 레이블링 기능, 무엇이 좋을까?

비전 검사를 위한 딥러닝 모델을 생성하는 과정에서 레이블링은 모델이 학습할 정답을 알려주는 핵심 단계입니다. 따라서 레이블링의 정교함과 일관성이 무엇보다 중요합니다. 그러나 실제 제조 현장에서는 작업자마다 기준이 다르거나 부정확한 레이블링이 이뤄지는 경우가 빈번하게 발생하며, 이는 곧 모델 성능 저하로 이어질 수 있습니다. 특히 높은 정교함을 요구하는 레이블링 작업은 많은 시간과 인력을 필요로 해 부담으로 작용하기도 합니다.

AI 레이블링 기능은 대량의 학습 데이터와 자동화에 기반해 이런 한계점을 보완할 수 있다는 장점을 가집니다. 뉴로티의 경우에도 클릭, 드래그, 키워드 입력 등 간단한 조작만으로 레이블링이 가능한 Auto-Selector, Keyword Labeler, Shape Converter, Auto Labeling 기능을 통해 반복적인 작업을 줄이고, 작업자의 부담을 크게 낮추고 있습니다.

마치며

이번 포스트에서는 지난 시간에 다뤘던 레이블링 개념을 바탕으로, AI 기반의 레이블링 기능들이 어떻게 작업 효율을 높이고 공수를 절감하는지 살펴보았습니다. 이러한 기능들은 정교하고 일관된 레이블링을 통해 수동 작업에서 발생했던 리소스 과다 투입과 모델 성능 문제를 효과적으로 보완해왔습니다.

또한, 제조 현장에서 작업자가 보다 전략적인 업무에 집중할 수 있도록 지원해 전반적인 생산성과 운영 효율을 끌어올릴 수 있다는 점에서 큰 의미를 가집니다. 다음 시간에는 이를 바탕으로 본격적인 딥러닝 모델의 개념과 모델 학습에 대해 알아보도록 하겠습니다!