10개 라벨링으로 자동화하는 데이터 라벨링

LABELING AI는 딥러닝 기반의 Auto-Labeling 기술을 활용하여 소량의 데이터만 라벨링하면 AI를 활용하여 자동화하고 신속하게 대량의 데이터를 라벨링합니다.

검수만으로 더욱 간편한 데이터 라벨링

10개의 라벨링만으로 Auto-Labeling을 수행하고, Auto-Labeling 결과물에 대한 검수만으로 대량의 라벨링 데이터를 확보할 수 있습니다.

데이터를 라벨링하는 가장 효율적인 방법

10개의 라벨링만으로 딥러닝 기반의 Auto-Labeling을 수행하고, Auto-Labeling 결과물을 검수 및 보정하는 작업만으로 대량의 데이터를 라벨링할 수 있습니다.

1. Labeling Manually

수동으로 10건의 라벨링 데이터를 생성합니다.

2. Training Model

10건의 수동 라벨링 데이터로 Auto-labeling AI를 학습합니다. Auto-labeling 결과를 검수/보정하면 재학습을 통해 Auto-labeling AI 성능을 고도화합니다.

3. Deploy the best AI

이러한 과정을 반복하며 100개의 수동 라벨링으로 1,000개, 10,000개, 100,000개 라벨링을 간편하게 수행할 수 있습니다. 또한, 고도화된 Auto-labeling AI는 물체인식 AI로 바로 배포 및 활용할 수 있습니다.

스마트한 매직툴로 더욱 편리한 라벨링 검수 및 수정

복잡한 형태의 개체도 신속하게 라벨링할 수 있는 매직툴을 통해 라벨링 검수 및 수정도 간편하게 수행합니다.

다양한 스마트 라벨링 툴을 제공합니다.

Polygon 형태의 매직툴 뿐만 아니라 Bounding Box, Polyline  등 다양한 형태의 라벨링을 위한 툴을 제공합니다. 

Semantic Segmentation

전체 이미지를 구역 별로 인식 및 분할하며, 자율주행 분야에서 활발하게 활용되고 있습니다.

Skeleton

사람의 골격을 감지하여 동작을 인식/추적하며, 스포츠 분야 혹은 보안 등 동작 감지 분야에서 활용되고 있습니다.

자유로운 데이터 가져오기/내보내기

라벨링 작업 환경과 상관없이 다양한 좌표 데이터를 LABELING AI로 가져와 라벨링 작업을 진행할 수 있으며, 작업된 라벨링 좌표 데이터를 다양한 형식으로 추출할 수 있습니다.

{
    "images": [
        {
            "id": "60a212aac869a1fea276480d",
            "file_name": "/images/img_labelingExample.jpg",
            "width": 4000,
            "height": 2084
        }
    ],
    "type": "instances",
    "annotations": [
        {
            "segmentation": [
                [
                    1200,
                    907,
                    1200,
                    1882,
                    2903,
                    1882,
                    2903,
                    907
                ]
            ],
            "area": 1660425,
            "iscrowd": 0,
            "ignore": 0,
            "image_id": "60a212aac869a1fea276480d",
            "bbox": [
                1200,
                907,
                1703,
                975
            ],
            "category_id": 2621,
            "id": "60a216ae2cd9eb1bbde44e2b"
        }
    ],
    "categories": [
        {
            "supercategory": "none",
            "id": 2620,
            "name": "bus"
        },
        {
            "supercategory": "none",
            "id": 2621,
            "name": "car"
        },
        {
            "supercategory": "none",
            "id": 2622,
            "name": "truck"
        }
    ]
}

<annotation>
  <folder>VOC2007</folder>
  <filename>img_labelingExample.jpg</filename>
  <source>
    <database>The VOC2007 Database</database>
    <annotation>PASCAL VOC2007</annotation>
    <image>none</image>
    <flickrid>none</flickrid>
  </source>
  <owner>
    <flickrid>none</flickrid>
    <name>[email protected]</name>
  </owner>
  <size>
    <width>4000</width>
    <height>2084</height>
    <depth>3</depth>
  </size>
  <segmented>0</segmented>
  <object>
    <name>car</name>
    <pose>Unspecified</pose>
    <truncated>0</truncated>
    <difficult>0</difficult>
    <bndbox>
      <xmin>1201</xmin>
      <ymin>908</ymin>
      <xmax>2903</xmax>
      <ymax>1882</ymax>
    </bndbox>
  </object>
</annotation>
기존 대비

80% 비용 절감

학습 데이터 준비부터 인공지능 배포까지의 모든 과정을 LABELING AI 하나로 해결할 수 있어, 프로젝트의 비용 및 기간을 절약할 수 있습니다.

일반 라벨링
LABELING AI

인공지능 개발 비용

라벨링 검수 비용

수동 라벨링 비용

라벨링 도구 비용

* Auto-Labeling  결과 중 

검수 합격한 라벨링

에 

대해서만 산정 및 결제됩니다.

지속 학습하는 Auto-Labeling

최초 10개의 수동 라벨링 학습을 시작으로 Auto-Labeling 결과물의 검수/보정 및 재학습을 반복하며 LABELING AI의 성능이 더욱 향상됩니다.

대시보드를 통한 프로젝트 관리

라벨링 프로젝트에 관한 대시보드를 통해 작업현황을 한눈에 확인하고 관리할 수 있습니다.

  • ✓ 데이터 라벨링 진행상황
  • ✓ 라벨링 클래스별 현황
  • ✓ 공유 작업자 작업현황

다양한 인공지능을 활용한 Auto-Labeling

LABELING AI에서는 Auto-Labeling을 수행하기 위한 다양한 방법을 지원합니다.

  • ✓ Custom AI: 수동 라벨링 데이터를 학습하여  Auto-Labeling 수행
  • ✓ General AI: 학습없이 바로 Auto-Labeling 수행
from ds2 import DS2

ds2 = DS2(apptoken=“s2234k3b4”)
ds2.startAutoLabeling(
    "people.zip",
    "1000",
    has_label_data=True,
    ai_type="general",
    autolabeling_type="box",
    general_ai_type="person",
    model_id=None,
    custom_ai_stage=0,
    workapp="object_detection"
)

편리한 프로그래밍 개발을 위한 SDK 지원

DS2.ai의 MLOps를 위한 데이터 파이프라인을 Python 코드로 구축할 수 있습니다. SDK를 통해 데이터의 업로드부터 라벨링 생성, 인공지능 학습 및 배포까지 모든 기능을 사용할 수 있습니다.

Learn more →

지속 학습하는 Auto-Labeling

최초 10개의 수동 라벨링 학습을 시작으로 Auto-Labeling 결과물의 검수/보정 및 재학습을 반복하며 LABELING AI의 성능이 더욱 향상됩니다.

대시보드를 통한 프로젝트 관리

라벨링 프로젝트에 관한 대시보드를 통해 작업현황을 한눈에 확인하고 관리할 수 있습니다.

  • ✓ 데이터 라벨링 진행상황
  • ✓ 라벨링 클래스별 현황
  • ✓ 공유 작업자 작업현황

다양한 인공지능을 활용한 Auto-Labeling

LABELING AI에서는 Auto-Labeling을 수행하기 위한 다양한 방법을 지원합니다.

  • ✓ Custom AI: 수동 라벨링 데이터를 학습하여  Auto-Labeling 수행
  • ✓ General AI: 학습없이 바로 Auto-Labeling 수행

편리한 프로그래밍 개발을 위한 SDK 지원

DS2.ai의 MLOps를 위한 데이터 파이프라인을 Python 코드로 구축할 수 있습니다. SDK를 통해 데이터의 업로드부터 라벨링 생성, 인공지능 학습 및 배포까지 모든 기능을 사용할 수 있습니다.

Learn more →
from ds2 import DS2

ds2 = DS2(apptoken=“s2234k3b4”)
ds2.startAutoLabeling(
    "people.zip",
    "1000",
    has_label_data=True,
    ai_type="general",
    autolabeling_type="box",
    general_ai_type="person",
    model_id=None,
    custom_ai_stage=0,
    workapp="object_detection"
)

가장 효율적인 라벨링 방법을 바로 시작하세요.