Auto Label은 Autodistill에 의해 구동되며, Roboflow에서 개발한 이미지 데이터셋 자동 라벨링 오픈 소스 프레임워크입니다.
Auto Label은 컴퓨터 비전 모델 학습에 사용하기 위해 수백만 장의 이미지를 라벨링하는 데 사용되었습니다.
Roboflow Auto Label을 사용해야 할 때
포크리프트와 같은 차량, 사람, 일반적인 결함(예: 균열), 일반 제품(예: 비닐 레코드, 빵)과 같은 일반적인 객체를 주석 처리해야 하는 경우 Roboflow Auto Label을 사용하세요.
특정 변종의 객체를 식별해야 하는 경우 Autodistill의 파운데이션 모델을 사용하면 안 됩니다. 예를 들어, Autodistill은 서로 다른 유형의 균열을 구분하거나 전자기기의 고유한 결함을 식별할 수 없습니다.
Roboflow Auto Label로 데이터 라벨링하기
Roboflow 플랫폼은 Autodistill이 데이터셋의 클래스 라벨링을 어떻게 수행할지 미리 볼 수 있게 해줍니다. 그런 다음 Roboflow는 자체 하드웨어에서 이미지를 자동 라벨링하는 데 사용할 수 있는 코드 스니펫을 제공합니다. 라벨링된 데이터셋을 Roboflow에 다시 업로드하여 품질 보증(권장) 및 모델 학습에 사용할 수 있습니다.
모든 이미지를 업로드하면 이미지를 어떻게 라벨링할지 묻는 화면이 표시됩니다. "Auto Label"을 선택하세요.
"Auto Label"을 선택하여 Roboflow Auto Label 인터페이스를 엽니다.
단계 #3: Auto Label 구성
Auto Label 라벨링 인터페이스가 나타나며 여기서 자동 라벨링 작업을 구성할 수 있습니다.
클래스(및 설명)
클래스는 이미지 내 객체에 할당하려는 라벨을 나타냅니다. 설명은 선택한 파운데이션 모델(기본값: Grounding DINO)이 해당 클래스의 인스턴스를 식별하는 데 사용할 시각적 설명을 나타냅니다. 기본적으로 설명은 클래스 이름이 됩니다.
Auto Label은 명확한 시각적 설명이 있는 일반적인 객체를 라벨링할 때 가장 잘 작동합니다. 예를 들어 Auto Label은 생산 라인에서 알루미늄 캔의 위치를 식별할 수 있습니다. 그러나 특정 요구사항에 따라 이미지를 라벨링해야 하는 경우(예: 알루미늄 캔의 브랜드를 구분)에는 Auto Label이 불가능합니다.
테스트 결과 생성하기
Auto Label을 구성한 후 "Generate Test Results"를 클릭하여 데이터셋의 작은 하위 집합에서 클래스를 테스트하세요. 기본적으로 네 장의 이미지가 선택됩니다.
Auto Label 인터페이스.
단계 #4: Roboflow Auto Label 라벨 평가
다음은 예시 이미지에서 "aluminum can" 클래스를 사용할 때의 테스트 결과입니다. 여기에서 다음을 수행할 수 있습니다:
Auto Label이 알루미늄 캔을 주석 처리하는 모습.
클래스 및 설명 조정하기
Auto Label이 예상대로 라벨링하지 않는 경우 클래스에 대해 다른 설명을 테스트해 보세요.
모든 테스트 결과는 무료이며 크레딧을 사용하지 않습니다.
신뢰도 조정하기
각 클래스 오른쪽에 표시된 숫자는 (표시된 이 클래스의 박스 수) / (이 클래스의 전체 박스 수)로 표시됩니다. 각 클래스의 신뢰도 임계값을 조정하여 더 많거나 적은 박스를 필터링할 수 있습니다. 신뢰도가 높을수록 표시되는 박스 수가 줄어듭니다.
여기서 설정한 신뢰도 임계값은 전체 배치를 라벨링할 때도 동일하게 사용되므로 올바른지 확인하세요!
다른 이미지에서 테스트하기
배치의 다른 이미지에서 Auto Label의 성능을 검토하려면 왼쪽 하단의 "Test images" 섹션에서 이미지를 클릭하세요. 해당 이미지의 미리보기가 추가 버튼을 누르지 않아도 즉시 로드됩니다.
배치에 대해 Auto Label 실행하기
Auto Label이 이미지를 예상대로 라벨링하면 "Auto Label with This Model"을 클릭하세요. 요약 모달을 검토한 후 진행을 클릭하세요. 천 장의 이미지를 라벨링하는 데 몇 분 정도 걸립니다.
Auto Label은 백그라운드에서 실행되므로 결과를 검토할 때까지 기다리며 편히 쉬시면 됩니다.
