데이터 어노테이션
IT 위키
더 많은 작업
데이터 어노테이션(Data Annotation)은 지도 학습 모델이 배울 수 있도록 원천 데이터(이미지·텍스트·음성·영상)에 정답 정보인 레이블과 위치·속성 정보를 붙이는 작업이다. 데이터 라벨링(Data Labeling)이라고도 한다.
지도 학습 모델의 성능은 학습 데이터의 양보다 레이블의 정확성과 일관성에 크게 좌우된다. 어노테이션은 사람이 직접 하거나, 모델이 먼저 붙이고 사람이 고치는 방식으로 한다. 결과물은 원천 데이터와 짝을 이루는 라벨링 데이터(JSON·XML 등)이고, 인공지능 학습용 데이터 구축 사업에서는 원천 데이터 수집 → 정제 → 가공(어노테이션) → 검수 순으로 진행한다 → 인공지능 학습용 데이터 품질관리
과제가 무엇을 맞혀야 하느냐에 따라 붙이는 정보가 다르다.
| 유형 | 붙이는 정보 | 주로 쓰는 과제 |
|---|---|---|
| 분류(Classification, 태깅) | 이미지 전체에 클래스 하나 또는 여러 개 | 이미지 분류 |
| 바운딩 박스(Bounding Box) | 물체를 둘러싸는 직사각형의 좌표(x, y, 너비, 높이)와 클래스 | 객체 탐지 |
| 회전 박스·3차원 큐보이드 | 기울어진 박스, 육면체(깊이 포함) | 항공·위성 영상, 자율주행 3D 탐지 |
| 폴리곤(Polygon) | 물체 윤곽을 따라 찍은 꼭짓점 | 모양이 불규칙한 물체 탐지·분할 |
| 시맨틱 세그멘테이션 | 모든 픽셀에 클래스(도로·하늘·사람) | 이미지 분할 |
| 인스턴스 세그멘테이션 | 같은 클래스라도 개체마다 다른 마스크 | 개체 단위 분할 |
| 파놉틱 세그멘테이션 | 시맨틱 + 인스턴스를 한 장에 | 자율주행 장면 이해 |
| 키포인트·스켈레톤 | 관절·눈·코 같은 특징점 좌표와 연결 | 자세 추정, 얼굴 인식 |
| 폴리라인 | 선을 따라 찍은 점열 | 차선·도로 경계 인식 |
| 속성·캡션 | 색·상태 같은 속성, 이미지를 설명하는 문장 | 멀티모달 학습 |
| 기법 | 내용 |
|---|---|
| 수작업 어노테이션 | 작업자가 도구로 직접 그린다. 정확하지만 비용·시간이 크다 |
| 반자동(모델 보조) | 사전 학습 모델이 박스·마스크를 먼저 제안하고 사람이 고친다(Pre-labeling). 분할 모델로 클릭 몇 번에 마스크를 얻는다 |
| 능동 학습(Active Learning) | 모델이 가장 헷갈려하는 표본만 골라 사람에게 맡겨, 적은 라벨로 성능을 올린다 |
| 크라우드소싱 | 다수 작업자에게 나눠 맡기고 다수결·교차 검수로 품질을 맞춘다 |
| 약지도·프로그램 라벨링 | 규칙·휴리스틱·기존 데이터베이스로 대략적인 레이블을 대량으로 만든다 |
| 합성 데이터 | 3D 렌더링·생성 모델로 이미지와 정답을 함께 만든다. 정답이 자동으로 정확하다 |
- 작업 가이드라인 — 클래스 정의, 가림·잘림 처리, 박스를 얼마나 꽉 맞출지 같은 기준을 문서로 정한다
- 검수 — 작업자와 다른 사람이 확인하는 교차 검수, 전수·표본 검수
- 일치도 측정 — 작업자 간 일치도(코헨의 카파), 박스 겹침 정도(IoU)로 일관성을 잰다
- 편향 점검 — 클래스·환경(주야간·날씨) 분포가 한쪽으로 쏠리지 않게 한다
- 개인정보가 찍힌 이미지는 얼굴·번호판을 비식별 처리한다