자동 라벨

모델 학습에 사용할 이미지를 자동 라벨링하세요.

Auto Label은 여러 가지 중 하나입니다 AI 라벨링 기능입니다. 이 기능을 사용하면 크레딧 에 명시된 요율로 소모됩니다. 크레딧 페이지.

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

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

  • Grounding DINO (객체 감지)

  • Grounded SAM (분할)

  • CLIP (단일 및 다중 라벨 분류)

  • Roboflow에서 학습된 모델 (모델 훈련하기)

    • 참고: 현재는 주석 배치와 동일한 데이터셋의 모델만 지원됩니다.

Auto Label은 다음에 의해 구동됩니다 Autodistill는 Roboflow에서 개발한 이미지 데이터셋 자동 라벨링 오픈 소스 프레임워크입니다.

Auto Label은 컴퓨터 비전 모델 학습에 사용할 수 있도록 수백만 장의 이미지를 라벨링하는 데 사용되었습니다.

Roboflow Auto Label을 사용할 때

차량(예: 지게차), 사람, 일반 결함(예: 균열), 일반 제품(예: 비닐 레코드, 빵)과 같은 일반적인 객체에 주석을 달아야 할 경우 Roboflow Auto Label을 사용해야 합니다.

Autodistill에서 기반 모델을 사용하여 객체의 특정 변형을 식별해야 하는 경우에는 사용하지 않아야 합니다. 예를 들어, Autodistill은 다양한 유형의 균열을 구분하거나 전자제품의 고유 결함을 식별할 수 없습니다.

Roboflow Auto Label로 데이터 라벨링하기

Roboflow 플랫폼에서는 Autodistill이 데이터셋 내 데이터 클래스 라벨링을 어떻게 수행할지 미리 볼 수 있습니다. 그런 다음, Roboflow는 자신의 하드웨어에서 이미지를 자동 라벨링할 수 있는 코드 스니펫을 제공합니다. 라벨링된 데이터셋을 Roboflow에 다시 업로드하여 품질 검증(권장) 및 모델 학습에 사용할 수 있습니다.

1단계: 데이터 업로드

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

이미지를 Roboflow에 업로드 중입니다.

2단계: Auto Label 진입

모든 이미지를 업로드하면 이미지를 어떻게 라벨링할지 묻는 메시지가 표시됩니다. "Auto Label"을 선택하세요.

"Auto Label"을 선택하여 Roboflow Auto Label 인터페이스를 엽니다.

3단계: 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 기반 모델(Grounding DINO가 기본값)이 해당 클래스 인스턴스를 식별하는 데 사용할 시각적 설명입니다. 기본적으로 설명은 클래스 이름과 동일합니다.

Auto Label은 명확한 시각적 설명이 있는 일반 객체를 라벨링할 때 가장 잘 작동합니다. 예를 들어, Auto Label은 생산 라인에서 알루미늄 캔의 위치를 식별할 수 있습니다. 그러나 알루미늄 캔의 브랜드를 구분하는 등 특정 요구사항에 따라 이미지를 라벨링하는 것은 불가능합니다.

테스트 결과 생성

Auto Label 구성을 마쳤으면 "Generate Test Results"를 클릭하여 데이터셋의 일부 샘플에 대해 클래스를 테스트하세요. 기본적으로 네 장의 이미지가 선택됩니다.

Auto Label 인터페이스입니다.

4단계: Roboflow Auto Label 라벨 평가

예시 이미지에서 "aluminum can" 클래스를 사용할 때의 테스트 결과입니다. 여기서 다음을 할 수 있습니다:

Auto Label이 알루미늄 캔에 주석을 다는 모습입니다.

클래스 및 설명 조정

Auto Label이 예상대로 이미지를 라벨링하지 않는 경우, 클래스에 대해 다른 설명을 테스트해 보세요.

모든 테스트 결과는 무료이며 크레딧을 사용하지 않습니다.

신뢰도 조정

각 클래스 오른쪽의 숫자는 (표시된 해당 클래스 박스 수) / (전체 해당 클래스 박스 수)로 표시됩니다. 각 클래스의 신뢰도 임계값을 조정하여 더 많거나 적은 박스를 필터링할 수 있습니다. 신뢰도가 높을수록 표시되는 박스가 적어집니다.

여기서 설정한 신뢰도 임계값은 전체 배치를 라벨링할 때도 동일하게 적용되므로, 올바른지 꼭 확인하세요!

다른 이미지에서 테스트

배치 내 다른 이미지에서 Auto Label의 성능을 확인하려면 왼쪽 하단의 "Test images" 섹션에서 이미지를 클릭하세요. 해당 이미지의 미리보기가 추가 버튼을 누르지 않아도 바로 로드됩니다.

배치에 Auto Label 실행

Auto Label이 이미지를 예상대로 라벨링한다면, "Auto Label with This Model"을 클릭하세요. 요약 모달을 검토한 후 진행을 클릭하세요. 천 장의 이미지를 라벨링하는 데 몇 분 정도 소요됩니다.

Auto Label은 백그라운드에서 실행되므로 결과를 검토할 때까지 편하게 기다리시면 됩니다.

Last updated

Was this helpful?