도전 과제: 라벨링부터 학습까지 한 바퀴

오늘 라벨링 도구를 읽었지만 손으로 해 보지는 않았다. 여기서 한 바퀴 돌린다. 재직자가 자기 라인에 비전 AI 를 붙일 때 가장 크게 걸리는 것이 「우리 이미지를 누가 어떤 기준으로 라벨링할 것인가」이기 때문이다.

미션

1. 이미지 20~30장을 모은다

   • 회사 이미지를 쓸 수 있으면 가장 좋다. 반출 규정을 먼저 확인할 것
   • 어려우면 D3 custom-training 의 generate_defect_dataset 이 만든 이미지를 쓴다 (단 라벨 파일은 지우고 직접 그린다. 자동으로 나온 라벨을 쓰면 이 과제의 의미가 없다)

2. LabelImg 또는 CVAT 로 직접 라벨링한다

   • YOLO 형식으로 저장한다
   • 상자를 결함에 얼마나 붙여 칠지, 흐릿한 경계를 어디까지 넣을지 정하고 시작한다

3. 같은 이미지 5장을 옆 사람과 서로 라벨링해 견준다

   • 두 사람의 상자가 얼마나 겹치는지(IoU) 재고, 클래스가 갈린 것이 몇 건인지 센다
   • 갈린 자리마다 왜 갈렸는지 적는다. 여기서 라벨링 기준이 만들어진다

4. 학습하고 견준다

   • 직접 라벨링한 데이터로 YOLO11n 을 학습한다(에포크는 짧게 잡아도 된다)
   • D3 에서 합성 라벨로 학습한 모델과 같은 검증셋으로 견준다

제출물

1. 라벨링 기준 문서 (1쪽)
   - 클래스 정의, 상자 치는 규칙, 애매한 경우의 처리
2. 라벨러 간 일치도 측정 결과 (5장, IoU 와 클래스 불일치 건수)
3. 학습 결과 비교 (mAP50, Recall)
4. 틀린 사례 3건의 이미지와 그 원인에 대한 내 판단

이 과제에서 알게 되는 것

라벨링을 해 보면 모델보다 라벨 정의가 먼저라는 것이 몸으로 이해된다. 같은 흠집을 한 사람은 스크래치로, 다른 사람은 그냥 표면 결로 넘긴다면 그 데이터로 학습한 모델의 판정은 그 흔들림을 그대로 물려받는다. mAP 가 낮게 나올 때 모델부터 바꾸는 대신 라벨을 먼저 들여다보는 습관이 여기서 생긴다.