4강 주요 용어와 개념

학습목표
- 데이터 라벨링과 관련된 주요 용어의 개념을 정의할 수 있다

1. 주요 용어와 개념
- 데이터 라벨링은 원활한 기계학습을 위해 필수적인 과정이다
- 라벨, 태그, 어노테이션과 같은 기본 용어와 바운딩 박스, 폴리곤, 마스크 등 다양한 라벨링 기법을 이해해야 한다

1) 라벨과 어노테이션
라벨(Label)
- 데이터에 추가되는 태그 또는 주석이다
- 데이터의 의미와 특징을 표현한다
- 예시로 이미지에 '고양이', '개'와 같은 분류를 부여하는 것이 라벨이다
- 기계학습에서 매우 중요한 요소이다
어노테이션(Annotation)
- 데이터 파일에 추가되는 메타데이터이다
- 데이터에 대한 설명이나 추가 정보를 포함한다
- 라벨보다 넓은 개념이다

2) 바운딩 박스와 세그멘테이션 관련 용어
바운딩 박스(Bounding Box)
- 이미지 내 객체를 둘러싸는 직사각형 영역이다
- 객체의 위치와 크기를 표현한다
- 객체 탐지와 분류 작업에 주로 사용된다
세그멘테이션(Segmentation)
- 이미지를 픽셀 단위로 나누어 객체를 구분하는 기법이다
- 사람, 차량, 건물 등의 영역을 정밀하게 분리한다
폴리곤(Polygon)
- 객체의 윤곽선을 따라 여러 개의 점을 연결하여 표현하는 방식이다
- 복잡한 형태의 객체를 정밀하게 표현할 수 있다
마스크(Mask)
- 객체를 픽셀 단위로 정확하게 분리하는 기법이다
- 이미지 세그멘테이션 작업에 활용된다
- 객체의 경계를 매우 정밀하게 정의할 수 있다

3) 태그와 어노테이션의 차이
태그(Tag)
- 데이터에 간단한 분류 정보를 부여한다
- 예시로 '고양이', '개'와 같은 단순 분류가 있다
어노테이션(Annotation)
- 객체 위치, 형태, 속성 등 복합적인 정보를 포함한다
- 바운딩 박스, 폴리곤, 마스크 등이 이에 해당한다

4) 주요 용어 간 비교
Bounding Box vs Segmentation
- Bounding Box는 객체의 위치와 크기만 표현한다
- Segmentation은 객체의 정확한 윤곽과 영역을 표현한다
- 전자는 빠르고 간단하며 후자는 정교하지만 시간이 많이 든다
Annotation vs Label
- Annotation은 데이터에 추가되는 모든 메타데이터를 의미한다
- Label은 분류를 위해 사용하는 특정 정보이다
- Label은 Annotation의 한 종류이다
Keypoints vs Landmarks
- Keypoints는 이미지 내 특정 지점을 표시한다
- Landmarks는 의미 있는 특징점을 나타낸다
- Keypoints는 포즈 추정에
- Landmarks는 얼굴 인식에 주로 사용된다
Supervised vs Unsupervised
- Supervised 학습은 라벨이 있는 데이터가 필요하다
- Unsupervised 학습은 라벨이 없는 데이터로 학습한다
- 문제 유형에 따라 적절한 방식을 선택해야 한다

2. 데이터 라벨링 프로세스
1) 데이터 수집
- 문제 해결에 적합한 데이터를 수집한다
- 데이터는 다양한 출처에서 확보할 수 있다

2) 데이터 전처리
- 수집된 데이터를 정제하고 표준화한다
- 결측치 처리와 노이즈 제거를 수행한다

 

3) 데이터 라벨링
- 전처리된 데이터에 의미 있는 라벨을 부여한다
- 라벨링의 핵심 단계이다

 

4) 검수 및 품질 관리
- 라벨링 결과의 정확성과 일관성을 검증한다
- 데이터 품질을 지속적으로 개선한다

3. 클래스와 객체
1) 클래스의 정의
클래스(Class)
- 같은 속성을 가진 객체들의 집합이다
- 예시로 '고양이' 클래스에는 다양한 고양이 이미지가 포함된다
- 데이터를 체계적으로 분류하여 모델 학습을 돕는다
클래스의 역할
- 데이터를 의미 있는 그룹으로 나눈다
- 모델이 각 클래스의 특징을 학습할 수 있도록 한다
클래스 정의 주체
- 일반적으로 사람이 직접 정의한다
- 경우에 따라 알고리즘이 자동으로 클래스를 추출하기도 한다
- 도메인 지식과 분석 경험이 중요하다

2) 클래스와 객체의 관계
클래스
- 같은 속성을 가진 객체들의 집합이다
객체(Object)
- 클래스에 속한 개별 인스턴스이다
- 예시로 '검은 고양이'는 '고양이' 클래스의 객체이다

4. 품질 관리
1) 품질 관리의 중요성
- 라벨링 품질은 모델 성능에 직접적인 영향을 미친다
- 잘못된 라벨링은 모델 성능 저하의 원인이 된다
- 체계적인 품질 관리 프로세스가 필수적이다

2) 라벨링 품질 관리 방법
명확한 가이드라인 제공

- 모든 라벨러가 동일한 기준으로 작업하도록 한다
라벨러 교육

- 가이드라인 이해도를 높여 일관성을 유지한다
정기적인 품질 검수

- 전문가가 결과를 검토하고 피드백을 제공한다

3) Bounding Box 라벨링 절차 예시
이미지 로드
- 라벨링 도구로 이미지를 불러온다
Bounding Box 생성

- 객체를 감싸는 직사각형을 그린다
객체 정보 입력

- 객체 유형과 속성을 입력한다
검수 및 수정
- 라벨링 결과를 확인하고 필요 시 수정한다

5. 실제 사례 연구
1) 활용 사례
자율주행차

- 도로 표지판, 차량, 보행자를 정확히 라벨링해야 한다
의료 영상

- CT, MRI 이미지에서 병변 부위를 정확히 마스킹해야 한다
감시 영상

- 사람, 차량, 행동을 실시간으로 라벨링한다

2) 성공과 실패 사례
성공 사례
- 명확한 가이드라인
- 효율적인 품질 관리
- 전문성 있는 라벨러 참여
실패 사례
- 가이드라인 부재
- 라벨러 교육 부족
- 라벨링 결과의 일관성 부족