2일차_Image Labeling

Image Labeling

• 정의
  • 데이터 라벨링 작업자가 태그나 메타데이터를 사용해 AI 모델이 학습하는 데이터 특징을 표시하는 과정
  • 다양한 인공지능 프로덕트의 기반이 되며, 컴퓨터 비전 (CV) 분야에서 핵심적인 과정 중 하나
  • 어노테이션 된 데이터는 새로운 이미지의 데이터를 처리할 때 모델이 해당 특징을 인삭하도록 학습되는데 활용
• 유형
  -> 세 가지 유형이 있고, 어떤 유형이든 이미지 데이터의 품질이 높을수록 AI 예측 결과가 더욱 정확해지는 경향이 있음
  • 이미지 분류 (Classification)
    • 라벨을 이미지에 간단하게 적용하는 빠르고 간편한 어노테이션 방법
      ex) 식료품점 선반의 일련의 이미지를 정렬하여 탄산음료가 있는 선반과 없는 선반을 식별 가능
    • 높은 수준의 레이블을 제공하지만, 개체의 정확한 위치를 나타내지 않아 상대적으로 모호함
  • 객체 감지 (Object Detection)
    • 라벨링 작업자가 이미지 내 특정 객체에 어노테이션을 달 수 있는 방법
    • 2D 경계 상자 (2D Bounding Box) : 직사각형과 정사각형을 사용하여 대상 객체의 위치를 정의하는 방법 (가장 일반적)
    • 3D 직육면체 또는 3D 경계 상자 : 대상 객체에 큐브를 적용하여 객체의 위치와 깊이를 정의
    • 다각형 분할 : 대상 객체가 비대칭이고 상자에 쉽게 들어갈 수 없는 경우에 사용, 복잡한 다각형을 사용해 객체의 위치를 정의
    • 선 및 스플라인 : 이미지의 주요 경계선과 곡선을 식별하여 영역을 구분
      ex) 자율 주행 자동차 이미지 라벨링을 위해 고속도로의 개별 차선에 라벨을 지정
    • 객체 감지는 객체의 일반적인 위치를 제공하고 정확도가 높지 않을 수 있지만, 빠른 라벨링 작업이 가능
  • 의미론적 분할 (Semantic Segmentation)
    • 이미지의 각 픽셀을 특정 카테고리에 할당하여 객체 감지의 중복 문제를 해결
    • 각 픽셀에 대상 클래스 (보행자, 자동차, 표지판, 등...)를 할당하여 영역을 분류
    • 객체의 가려진 부분도 인식할 수 있어 모델에 더 정확한 학습이 가능