라벨링에 대한 고찰
Last updated
Last updated
어떤 데이터가 있다. 해당 데이터는 이미지나 글자, 소리 등이 될 수 있다. 해당 데이터는 자체적으로 정보(Information)를 나타내고 있다.
하지만 데이터 내 정보 속에 담긴 의미(Knowledge)는 정보를 보고 찾아야 한다. 데이터 속에 정보(Information)을 찾아 지식(Knowledge)를 만들어내거나 기입 또는 연결하는 것을 라벨링이다. 라벨링을 통해서 정보를 지식으로 가공하고 이를 컴퓨터가 머신러닝 학습하여 지식을 습득하여 지혜(Wisdom)으로 만들 수 있다.
DIKW 피라미드를 생각하면 좀 더 이해하기 쉽다. 데이터에서 나타나는 정보에 대해서 지식를 찾는 작업이 라벨링이다. 라벨링한 지식을 가지고 머신러닝 학습을 진행하고 나타나는 패턴을 찾는 것이 지혜(Wisdom)으로 볼 수 있다.
예시를 들어보면 아래의 그림으로 강아지 4마리가 사람과 같이 있고, 사람들이 뒤에 앉아있는 사진이 있다. 해당 사진에서 사람은 쉽게 강아지 4마리와 사람이 어디 위치에 있는 지 쉽게 찾을 수 있다.
하지만 이를 컴퓨터가 찾아야 한다면 이야기는 달라진다. 컴퓨터는 강아지와 사람을 특별하게 구별할 수 없다.
그렇기 때문에 강아지와 사람이 저 이미지 화소 중에 어디어디 부분을 가르키는 건지 라벨링을 해줘야 한다. 개개인이 갖고 있는 지식을 사용하거나 개와 사람에 대한 인지학습을 한 후 라벨링 진행한다.
라벨링은 얻고자 하는 정보를 데이터에서 취득 후 지식으로 변환하는 작업이다. 사람이 데이터를 이해하지 못하는 것은 얻고자 하는 정보를 찾지 못한다는 것과 동일한 이야기이다.
라벨링 작업 시 가장 중요한 것은 라벨링을 통해서 얻고자 하는 것이 어떤 것인지 분명하게 알아야 한다. 이를 알아야 목적에 맞게 라벨링을 할 수 있다.
라벨링 프로젝트에서 작업 수행 전 해당 데이터를 어떻게 사용하고 어떤 정책으로 라벨링을 하는 지에 대한 가이드라인을 작성해서 배포한다. 가이드라인 작성 시 데이터를 어떻게 사용하려는 지에 대한 내용이 녹여저서 제공이 된다. 이를 바탕으로 데이터에 대한 이해를 완료하고 작업을 시작해야 완성도 높게 작업이 완료된다.
얻고자 하는 목표가 무엇인 지 모르고 하는 라벨링은 밑빠진 독에 물붇는 격이다.
CVAT 2.13 버전 기준입니다.
위 링크에 접속을 하면 간단한 회원가입 후 우측 상단의 + 버튼을 하이라이트하여 Create a New Task를 누른다.
이름(Name)에 연습할 데이터를 대표하는 제목을 작성한다.
Labels 란에 기입하려는 라벨을 정의한다.
Select files에 밑에 적힌 내용처럼 드래그하거나 눌려서 작업하려는 이미지를 선택한다.
선택이 완료되면 Submit를 클릭한다. 작성한 내용에 맞게 작업공간(Tasks)가 생성되고, 완료되면 알림을 띄워준다.
완료 이후 좌측 상단의 Tasks를 클릭해서 만들어진 작업공간에 Open을 눌려 들어간다.
위에서 예시로 든 사진에서 가장 앞에 있는 강아지의 윤곽을 그려보았다.
복잡한 이미지의 윤곽을 라벨링할수록 난이도 및 시간이 많이 소요된다. 이미지 테스크에서 도형은 사각형, 폴리곤, 폴리라인, 포인트 등 여러가지 요소들이 들어갈 수 있다.
에서는 본인이 준비한 이미지 데이터를 가지고 직접 라벨링해볼 수 있다. 무료이고 간편하게 연습해볼 수 있어서 추천한다.