10개의 라벨링으로 자동화하는 데이터 라벨링
LABELING AI는 딥러닝 기반의 Auto-Labeling 기술을 활용하여 소량의 데이터만 라벨링하면 AI를 활용하여 자동화하고 신속하게 대량의 데이터를 라벨링합니다.
LABELING AI는 딥러닝 기반의 Auto-Labeling 기술을 활용하여 소량의 데이터만 라벨링하면 AI를 활용하여 자동화하고 신속하게 대량의 데이터를 라벨링합니다.
10개의 라벨링만으로 Auto-Labeling을 수행하고, Auto-Labeling 결과물에 대한 검수만으로 대량의 라벨링 데이터를 확보할 수 있습니다.
10개의 라벨링만으로 딥러닝 기반의 Auto-Labeling을 수행하고, Auto-Labeling 결과물을 검수 및 보정하는 작업만으로 대량의 데이터를 라벨링할 수 있습니다.
수동으로 10건의 라벨링 데이터를 생성합니다.
10건의 수동 라벨링 데이터로 Auto-labeling AI를 학습합니다. Auto-labeling 결과를 검수/보정하면 재학습을 통해 Auto-labeling AI 성능을 고도화합니다.
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.
복잡한 형태의 개체도 신속하게 라벨링할 수 있는 매직툴을 통해 라벨링 검수 및 수정도 간편하게 수행합니다.
Polygon 형태의 매직툴 뿐만 아니라 Bounding Box, Polyline 등 다양한 형태의 라벨링을 위한 툴을 제공합니다.
전체 이미지를 구역 별로 인식 및 분할하며, 자율주행 분야에서 활발하게 활용되고 있습니다.
사람의 골격을 감지하여 동작을 인식/추적하며, 스포츠 분야 혹은 보안 등 동작 감지 분야에서 활용되고 있습니다.
학습 데이터 준비부터 인공지능 배포까지의 모든 과정을 LABELING AI 하나로 해결할 수 있어, 프로젝트의 비용 및 기간을 절약할 수 있습니다.
인공지능 개발 비용
라벨링 검수 비용
수동 라벨링 비용
라벨링 도구 비용
최초 10개의 수동 라벨링 학습을 시작으로 Auto-Labeling 결과물의 검수/보정 및 재학습을 반복하며 LABELING AI의 성능이 더욱 향상됩니다.
라벨링 프로젝트에 관한 대시보드를 통해 작업현황을 한눈에 확인하고 관리할 수 있습니다.
LABELING AI에서는 Auto-Labeling을 수행하기 위한 다양한 방법을 지원합니다.
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"
)
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 →최초 10개의 수동 라벨링 학습을 시작으로 Auto-Labeling 결과물의 검수/보정 및 재학습을 반복하며 LABELING AI의 성능이 더욱 향상됩니다.
라벨링 프로젝트에 관한 대시보드를 통해 작업현황을 한눈에 확인하고 관리할 수 있습니다.
LABELING AI에서는 Auto-Labeling을 수행하기 위한 다양한 방법을 지원합니다.
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"
)
라벨링 작업 환경과 상관없이 다양한 좌표 데이터를 LABELING AI로 가져와 라벨링 작업을 진행할 수 있으며, 작업된 라벨링 좌표 데이터를 다양한 형식으로 추출할 수 있습니다(COCO JSON / VOC).
{
"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>
