자동 라벨(Auto Label)

모델 학습에 사용할 이미지를 자동으로 라벨링하세요.

Auto Label은 여러 가지 중 하나입니다 AI Labeling 기능입니다. 이 기능을 사용하면 크레딧 당사에 기재된 요율로 소모됩니다 크레딧 페이지.

Roboflow Auto Label을 사용하면 대형 파운데이션 비전 모델(예: Grounding DINO) 또는 Roboflow에서 학습된 모델을 사용하여 이미지를 자동으로 라벨링할 수 있습니다.

Roboflow Auto Label은 지정한 객체를 식별하기 위해 다음 모델들을 사용하려고 시도합니다:

• Grounding DINO (객체 감지)

• Grounded SAM (분할)

• CLIP (단일 및 다중 라벨 분류)

• Roboflow에서 학습된 모델 (모델 학습)

  • 참고: 현재 Annotation Batch와 동일한 데이터셋의 모델만 지원됩니다.

Auto Label은 다음으로 구동됩니다 Autodistill, Roboflow가 개발한 이미지 데이터셋 자동 라벨링을 위한 오픈 소스 프레임워크입니다.

Auto Label은 컴퓨터 비전 모델 학습에 사용하기 위해 수백만 장의 이미지를 라벨링하는 데 사용되었습니다.

Roboflow Auto Label을 사용해야 할 때

포클리프트 같은 차량, 사람, 균열 같은 일반적인 결함, 비닐 레코드나 빵 같은 일반 제품과 같은 흔한 객체를 주석해야 하는 경우 Roboflow Auto Label을 사용해야 합니다.

객체의 특정 변형을 식별해야 하는 경우 Autodistill에서 파운데이션 모델을 사용하면 안 됩니다. 예를 들어 Autodistill은 균열의 종류를 구분하거나 전자제품의 고유 결함을 식별할 수 없습니다.

Roboflow Auto Label로 데이터 라벨링하기

Roboflow 플랫폼은 Autodistill이 데이터셋의 클래스 라벨링에서 어떻게 동작하는지 미리보기할 수 있게 합니다. 그런 다음 Roboflow는 자체 하드웨어에서 이미지를 자동 라벨링하는 데 사용할 수 있는 코드 스니펫을 공유합니다. 라벨링된 데이터셋을 Roboflow에 다시 업로드하여 품질 보증(권장) 및 모델 학습에 사용할 수 있습니다.

단계 #1: 데이터 업로드

먼저 데이터를 Roboflow에 업로드하세요. 자세한 내용은 이미지, 비디오 및 주석 업로드 설명서를 참조하세요.

이미지를 Roboflow에 업로드하는 중입니다.

단계 #2: Auto Label 진입

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 표시되며 여기서 자동 라벨링 작업을 구성할 수 있습니다.

클래스 (& 설명)

클래스는 이미지 내 객체에 할당하려는 라벨을 나타냅니다. 설명은 선택한 파운데이션 모델(기본값은 Grounding DINO)이 해당 클래스의 인스턴스를 식별하는 데 사용할 시각적 설명을 나타냅니다. 기본적으로 설명은 클래스 이름과 동일합니다.

Auto Label은 명확한 시각적 설명이 있는 일반 객체를 라벨링할 때 가장 잘 작동합니다. 예를 들어 Auto Label은 생산라인에서 알루미늄 캔의 위치를 식별할 수 있습니다. 그러나 Auto Label은 알루미늄 캔의 브랜드를 구별하는 등 특정 요구사항에 따라 이미지를 라벨링할 수는 없습니다.

테스트 결과 생성

Auto Label을 구성한 후 "Generate Test Results"를 클릭하여 데이터셋의 작은 하위집합에서 클래스들을 테스트하세요. 기본적으로 네 장의 이미지가 선택됩니다.

Auto Label 인터페이스입니다.

단계 #4: Roboflow Auto Label 라벨 평가

다음은 예시 이미지에서 "aluminum can" 클래스를 사용했을 때의 테스트 결과입니다. 여기서 할 수 있는 작업은:

Auto Label이 알루미늄 캔을 주석 처리하는 모습.

클래스 및 설명 조정

Auto Label이 예상대로 이미지를 라벨링하지 않으면 클래스에 대해 다른 설명을 테스트해 보세요.

모든 테스트 결과는 무료이며 크레딧을 사용하지 않습니다.

신뢰도(Confidence) 조정

각 클래스 오른쪽의 숫자는 (표시된 이 클래스의 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 수가 줄어듭니다.

여기서 설정된 신뢰도 임계값은 전체 배치를 라벨링할 때 사용되는 것과 동일하므로 적절하게 보이는지 확인하세요!

다른 이미지에서 테스트

배치의 다른 이미지에서 Auto Label의 성능을 검토하려면 왼쪽 하단의 "Test images" 섹션에서 이미지를 클릭하세요. 해당 이미지의 미리보기는 추가 버튼을 누르지 않아도 즉시 로드됩니다.

배치에서 Auto Label 실행

Auto Label이 이미지를 예상대로 라벨링하면 "Auto Label with This Model"을 클릭하세요. 요약 모달을 검토하고 진행을 클릭하세요. 천 장의 이미지를 라벨링하는 데 몇 분 정도 걸릴 것입니다.

Auto Label은 백그라운드에서 실행되므로 결과를 검토할 때까지 편히 기다리면 됩니다.