라벨이 모델의 상한선을 정한다

모델은 라벨보다 정확해질 수 없습니다. 라벨이 흔들리면 모델도 흔들립니다.

라벨 방식 세 가지

방식	표기하는 것	쓰는 경우	비용
분류	이미지 전체에 양품/불량	결함 위치가 중요하지 않을 때	낮음
검출(바운딩 박스)	결함을 사각형으로 감싼다	위치와 개수가 필요할 때	중간
분할(세그멘테이션)	결함 영역을 픽셀 단위로 칠한다	면적·길이를 재야 할 때	높음

스크래치 길이나 이물 면적으로 합불을 정한다면 분할이 필요합니다. 단순히 "불량 있음/없음"이면 분류로 충분합니다. 필요 없는 정밀도는 비용만 늘립니다.

라벨러 간 편차가 진짜 문제다

같은 이미지를 두 사람이 다르게 판정하는 일이 흔합니다.

• 애매한 경계 — 0.19mm 스크래치는 불량인가
• 복합 결함 — 스크래치와 이물이 겹쳤을 때 무엇으로 라벨하는가
• 판정 기준의 해석 차이

대응 방법

먼저 판정 견본을 만듭니다. 애매한 사례 20~30장을 골라 정답을 합의하고 사진으로 남깁니다. 글로 쓴 기준보다 사진 한 장이 편차를 훨씬 줄입니다.

다음으로 교차 검증을 합니다. 같은 이미지 100장을 두 라벨러에게 주고 일치율을 봅니다. 일치율이 90퍼센트 미만이면 기준이 모호한 것이므로 라벨링을 계속하기 전에 기준을 다듬습니다.

마지막으로 애매한 것은 따로 모읍니다. 억지로 양품이나 불량으로 밀어 넣지 말고 '재검' 라벨을 두면, 나중에 3단 판정 모델을 만들 때 그대로 쓸 수 있습니다.

라벨링을 외주로 맡길 때 이 준비 없이 넘기면, 돌아온 라벨을 다시 검수하는 데 더 많은 시간이 듭니다.

잘못된 라벨은 제조 AI의 고질적 난제다

라벨 오류(Incorrect Class Labeling)는 제조 AI가 되풀이해 부딪히는 난제로 꼽힙니다. 사람이 판정하는 한 완전히 없앨 수 없고, 제조에서는 그 무게가 특히 큽니다. 1,000장 중 불량이 30장인 데이터에서 라벨 3장이 틀렸다면 불량 데이터의 10퍼센트가 오염된 셈입니다. 같은 오류율이라도 양품 쪽에서는 묻히고 불량 쪽에서는 모델을 흔듭니다.

앞의 교차 검증은 라벨링 이전에 기준을 다듬는 방법입니다. 이미 쌓인 라벨에서 틀린 것을 찾아내려면 다른 수단이 필요합니다.

손실이 큰 샘플부터 다시 본다 모델을 한 번 학습시킨 뒤, 모델이 가장 크게 틀린 이미지 순으로 정렬해 사람이 확인합니다. 모델이 틀린 게 아니라 라벨이 틀린 경우가 생각보다 많습니다.

학습에 쓰지 않은 모델로 예측해 본다 데이터를 몇 조각으로 나눠 번갈아 학습시키면, 모든 이미지에 대해 그 이미지를 보지 않은 모델의 예측을 얻을 수 있습니다. 예측과 라벨이 어긋나는 목록이 곧 의심 라벨 후보입니다.

거의 같은 이미지의 라벨이 다르면 둘 중 하나가 틀렸다 연속 촬영이나 재검 과정에서 비슷한 이미지가 여러 장 생깁니다. 이들의 라벨이 갈리면 판정 기준이 흔들린 지점입니다.

성능이 기대에 못 미칠 때 모델부터 바꾸기 쉽지만, 같은 노력이라면 라벨을 고치는 쪽이 성능을 더 많이 올립니다. 모델은 라벨보다 정확해질 수 없기 때문입니다.