> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/roboflow/roboflow-ko/annotate/ai-labeling/automated-annotation-with-autodistill.md).

# 자동 라벨링

{% hint style="info" %}
Auto Label은 많은 기능 중 하나입니다 [AI Labeling](/roboflow/roboflow-ko/annotate/ai-labeling.md) 입니다. 이 기능을 사용하면 [크레딧을](/roboflow/roboflow-ko/billing/credits.md) 소비하게 되며, 요금은 다음에 나와 있는 [credits 페이지](https://roboflow.com/credits).
{% endhint %}

Roboflow Auto Label을 사용하면 대규모 foundation vision model(예: Grounding DINO) 또는 Roboflow에서 학습된 모델을 사용해 이미지를 자동으로 레이블링할 수 있습니다.

Roboflow Auto Label은 다음 모델을 사용해 지정한 객체를 식별하려고 시도합니다:

* Grounding DINO (Object detection)
* Grounded SAM (Segmentation)
* CLIP (단일 및 다중 레이블 분류)
* Roboflow에서 학습된 모델([모델 학습](/roboflow/roboflow-ko/train/train.md))
  * 참고: 현재는 Annotation Batch와 동일한 dataset의 모델만 지원됩니다.

Auto Label은 다음 기술을 기반으로 합니다: [Autodistill](https://github.com/autodistill/autodistill)은 Roboflow가 개발한 이미지 데이터셋 자동 레이블링용 오픈 소스 프레임워크입니다.

Auto Label은 컴퓨터 비전 모델 학습에 사용할 수 있도록 수백만 장의 이미지 레이블링에 사용되어 왔습니다.

### Roboflow Auto Label을 사용해야 할 때

차량(예: 지게차), 사람, 일반적인 결함(예: 균열), 일반적인 제품(예: 바이닐 레코드, 빵)과 같은 흔한 객체에 주석을 달아야 한다면 Roboflow Auto Label을 사용해야 합니다.

객체의 특정 변형을 식별해야 한다면 Autodistill에서 foundation model을 사용해서는 안 됩니다. 예를 들어, Autodistill은 서로 다른 유형의 균열을 구분하거나 전자제품의 고유한 결함을 식별할 수 없습니다.

## Roboflow Auto Label로 데이터 레이블링하기

Roboflow 플랫폼에서는 Autodistill이 데이터셋의 클래스 레이블링에서 어떻게 동작할지 미리 볼 수 있습니다. 그런 다음 Roboflow가 자체 하드웨어에서 이미지를 자동 레이블링하는 데 사용할 수 있는 코드 스니펫을 공유합니다. 품질 보증(권장)과 모델 학습을 위해 레이블링된 데이터셋을 다시 Roboflow에 업로드할 수 있습니다.

### 1단계: 데이터 업로드

먼저 Roboflow에 데이터를 업로드하세요. 자세한 내용은 [이미지, 비디오, annotation 업로드](/roboflow/roboflow-ko/datasets/adding-data.md) 안내를 참고하세요.

<figure><img src="/files/5b1c85f4182b9418430fb8f45456fba542325d7d" alt=""><figcaption><p>Roboflow에 이미지를 업로드하는 중입니다.</p></figcaption></figure>

### 2단계: Auto Label 입력

모든 이미지를 업로드하면, 이미지를 어떻게 레이블링할지 묻게 됩니다. "Auto Label"을 선택하세요.

<figure><img src="/files/6fd8da6dcdff0c306a799c8d5966557aa03d0850" alt="" width="353"><figcaption><p>"Auto Label"을 선택하여 Roboflow Auto Label 인터페이스를 엽니다.</p></figcaption></figure>

### 3단계: Auto Label 구성

Auto Label 레이블링 인터페이스가 표시되며, 여기에서 자동 레이블링 작업을 구성할 수 있습니다.

#### 클래스(& 설명)

클래스는 이미지의 객체에 할당하려는 레이블을 나타냅니다. 설명은 선택한 foundation model(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 레이블링할 때 가장 잘 작동합니다. 예를 들어, Auto Label은 생산 라인에서 알루미늄 캔의 위치를 식별할 수 있습니다. 하지만 Auto Label은 알루미늄 캔의 브랜드를 구분하는 것처럼 특정 요구사항에 따라 이미지를 레이블링할 수는 없습니다.

#### 테스트 결과 생성하기

Auto Label을 구성한 후 "Generate Test Results"를 클릭하여 데이터셋의 작은 하위 집합에서 클래스들을 테스트하세요. 기본적으로 4개의 이미지가 선택됩니다.

<figure><img src="/files/703ad74d2afc869673cb90f0eb86febb7672dce8" alt=""><figcaption><p>Auto Label 인터페이스.</p></figcaption></figure>

### 4단계: Roboflow Auto Label 레이블 검토

예시 이미지에서 "알루미늄 캔" 클래스를 사용할 때의 테스트 결과는 다음과 같습니다. 여기에서 다음을 할 수 있습니다:

<figure><img src="/files/be4af851b03c19aaddff7d994ca3e6b83d6dfbda" alt=""><figcaption><p>Auto Label이 알루미늄 캔을 주석 처리하는 모습.</p></figcaption></figure>

#### 클래스 및 설명 조정하기

Auto Label이 이미지를 예상대로 레이블링하지 않는다면, 클래스에 대해 다른 설명을 테스트해 보세요.

{% hint style="info" %}
모든 테스트 결과는 무료이며 크레딧을 사용하지 않습니다.
{% endhint %}

#### 신뢰도 조정하기

각 클래스 오른쪽의 숫자는 (이 클래스의 표시된 박스 수) / (이 클래스의 총 박스 수)로 표시됩니다. 각 클래스의 신뢰도 임계값을 조정하여 더 많거나 적은 박스를 필터링할 수 있습니다. 신뢰도가 높을수록 표시되는 박스 수는 줄어듭니다.

{% hint style="info" %}
여기에서 설정한 신뢰도 임계값은 전체 배치를 레이블링할 때도 동일하게 사용되므로, 올바르게 설정되었는지 꼭 확인하세요!
{% endhint %}

#### 다른 이미지에서 테스트하기

배치의 다른 이미지에서 Auto Label의 성능을 검토하려면 왼쪽 아래의 "Test images" 섹션에서 이미지를 클릭하세요. 추가 버튼을 누르지 않아도 해당 이미지의 미리보기가 즉시 로드되어야 합니다.

### 배치에서 Auto Label 실행하기

Auto Label이 이미지를 예상대로 레이블링한다면 "Auto Label with This Model"을 클릭하세요. 요약 모달을 검토한 뒤, 클릭하여 진행하세요. 천 개의 이미지를 레이블링하는 데 몇 분 정도 걸립니다.

Auto Label은 백그라운드에서 실행되므로, 결과를 검토할 시간이 될 때까지 편히 기다리면 됩니다.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.roboflow.com/roboflow/roboflow-ko/annotate/ai-labeling/automated-annotation-with-autodistill.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.