3분
데이터 라벨링: LabelImg, Roboflow, CVAT
Day 3: YOLO 객체 탐지
데이터 라벨링: LabelImg, Roboflow, CVAT
비전 AI 외관검사 > Day 3: YOLO 객체 탐지
학습 목표
- 바운딩 박스 라벨링의 개념과 중요성을 이해한다
- LabelImg, Roboflow, CVAT 도구의 장단점을 비교할 수 있다
- 효율적인 라벨링 워크플로를 설계할 수 있다
데이터 라벨링: AI의 선생님
YOLO를 학습시키려면 "이 이미지의 여기에 이 불량이 있다"를 사람이 직접 표시해줘야 한다. 이것이 라벨링이다.
라벨링 도구 비교
| 도구 | 가격 | 설치 | 출력 형식 | 팀 협업 | 자동 라벨링 |
|---|---|---|---|---|---|
| LabelImg | 무료 | 로컬 | YOLO/VOC | 없음 | 없음 |
| CVAT | 무료 | 서버/클라우드 | 다양 | 지원 | AI 보조 |
| Roboflow | 무료~유료 | 클라우드 | 다양 | 지원 | AI 보조 + 증강 |
| Label Studio | 무료 | 서버 | 다양 | 지원 | ML 백엔드 |
LabelImg (입문 추천)
[LabelImg 설치]
pip install labelImg
labelImg # 실행
[사용법]
1. Open Dir → 이미지 폴더 선택
2. Change Save Dir → 라벨 저장 폴더
3. YOLO 형식 선택 (좌측 하단)
4. Create RectBox (W키) → 결함 영역 드래그
5. 클래스 입력 → 저장 (Ctrl+S)
6. 다음 이미지 (D키)
단축키:
W: 바운딩 박스 생성
D: 다음 이미지
A: 이전 이미지
Ctrl+S: 저장
Del: 선택 박스 삭제Roboflow (프로덕션 추천)
[Roboflow 워크플로]
1. 이미지 업로드 (드래그 앤 드롭)
2. AI 보조 라벨링 (자동 제안)
3. 수동 검수 및 수정
4. 데이터셋 분할 (train/val/test)
5. 전처리 + 증강 자동 적용
6. YOLO 형식으로 다운로드
장점:
- 웹 기반 (설치 불필요)
- AI 가 라벨 후보를 제안 → 사람은 검수와 수정만
- 전처리·증강을 데이터셋 단위로 적용해 내려받을 수 있음
- 무료 플랜의 장수 제한과 가격은 자주 바뀌므로 쓰기 전에 공식 요금표를 확인할 것
주의: 사내 검사 이미지를 외부 클라우드에 올리는 것은 보안 검토 대상이다.
품목과 결함이 그대로 드러나므로, 올리기 전에 정보보호 담당과 합의해야 한다.라벨링 품질 가이드 (제조)
[좋은 라벨링]
┌──────────────────┐
│ │
│ ┌──────┐ │ ← 결함을 딱 맞게 감싸는 박스
│ │scratch│ │
│ └──────┘ │
│ │
└──────────────────┘
[나쁜 라벨링 1: 너무 큼]
┌──────────────────┐
│ ┌──────────────┐ │ ← 배경이 너무 많이 포함
│ │ scratch │ │
│ │ │ │
│ └──────────────┘ │
└──────────────────┘
[나쁜 라벨링 2: 누락]
┌──────────────────┐
│ ┌──────┐ │ ← 이 결함은 라벨링 O
│ │scratch│ ● │ ← 이 이물질은 누락! X
│ └──────┘ │
│ │
└──────────────────┘라벨링 효율화 팁
| 팁 | 효과 |
|---|---|
| 사전학습 모델로 자동 라벨 후 수정 | 처음부터 그리는 대신 고치는 작업이 되어 빨라진다. 얼마나 빨라지는지는 모델이 얼마나 맞히느냐에 달렸으므로 첫 100장에서 직접 재 본다 |
| 클래스 정의를 명확히 문서화 | 라벨러 간 일관성 |
| 일일 검수 (표본 추출) | 품질 유지 |
| 같은 이미지를 두 사람이 라벨링해 일치도 측정 | 클래스 정의가 흔들리는 자리를 찾는다 |
| 어려운 사례 별도 관리 | 라벨링 가이드 보완 |
| 라벨링 가이드 이미지 제공 | 신규 라벨러 교육 |
AI로 학습하기 — 꿀팁
제조 불량 라벨링 작업 지침서 생성AI 학습 팁
라벨링 도구 선택과 작업 지침 표준화는 학습 데이터 품질을 결정하므로, AI로 제조 현장에 맞는 라벨링 가이드라인을 생성한다.
철강 코일 표면 불량(스크래치, 롤마크, 에지 크랙, 산화 변색) 탐지 모델 학습을 위한 바운딩 박스 라벨링 작업 지침서를 만들어줘. 다음 내용을 포함해야 해: 1) LabelImg, Roboflow, CVAT 중 이 프로젝트에 가장 적합한 도구 추천과 이유(작업자 10명, 이미지 50,000장, 불량 유형 4종), 2) 각 불량 유형별 바운딩 박스 그리는 기준(최소 여백, 겹침 처리, 애매한 경계 처리 규칙), 3) 라벨링 품질 관리 방법(작업자 간 일치도 측정, 재검토 기준), 4) YOLO 형식으로 내보내기 시 폴더 구조 및 파일 포맷 규격, 5) 흔한 라벨링 실수 TOP 5와 예방법. 마크다운 형식의 완성된 지침서로 작성해줘.
이 팁이 도움이 됐나요?
핵심 포인트
- • LabelImg: 무료, 간단, 입문용 / Roboflow: AI 보조, 프로덕션급
- • 바운딩 박스는 결함을 딱 맞게 감싸야 한다 (너무 크면 성능 저하)
- • 사전학습 모델로 자동 라벨을 만든 뒤 사람이 고치는 방식이 대체로 빠르다. 얼마나 빠른지는 첫 100장에서 직접 재 본다
- • 클래스 정의 문서화와 일일 검수로 라벨링 품질을 유지한다