YOLOv8을 활용한 자동 라벨링 세그멘테이션 데이터셋 구축 가이드

실용적 조언

추론 속도가 중요한 환경에서는 YOLOv8의 nano 버전(yolov8n-seg)을 사용하여 실시간성을 확보하라.
OpenCV를 활용해 비디오 프레임을 캡처하고 Ultralytics의 Annotator 클래스를 사용하여 시각화된 결과를 저장하라.

섹션별 상세

수동 데이터 레이블링의 병목 현상을 해결하기 위해 YOLOv8-seg 아키텍처를 도입했다. 세그멘테이션 작업은 픽셀 수준의 마스크 생성이 필요하여 대규모 데이터셋 구축 시 지속 가능성이 낮다는 문제를 해결하고자 했다. 경량 모델인 yolov8n-seg를 선택하여 추론 속도와 마스크 정밀도 사이의 최적의 균형을 확보했다.

자동 라벨링 워크플로는 Python, OpenCV, Ultralytics 프레임워크를 기반으로 체계적인 파이프라인을 형성한다. 사전 학습된 세그멘테이션 모델을 초기화한 후 비디오 스트림을 프레임 단위로 캡처하여 실시간 추론을 수행한다. 이 과정에서 모델은 객체의 경계와 비트마스크 폴리곤을 감지하여 데이터 구조화의 기초를 마련한다.

감지된 객체 정보는 어노테이터를 통해 프레임 위에 세그멘테이션 영역과 레이블로 그려지며, 이후 프로그래밍 방식으로 클래스별 디렉토리에 자동 분류된다. 모든 감지 인스턴스가 레이블링된 프레임으로 저장되므로 향후 모델 파인튜닝을 위한 데이터셋 확장이 매우 신속하게 이루어진다. 이러한 자동화된 조직화는 수동 개입을 최소화하면서 원본 영상을 구조화된 학습 데이터로 변환한다.

용어 해설

자동 라벨링(Auto-Labeling): — 사전 학습된 AI 모델을 사용하여 새로운 데이터셋에 대한 레이블을 자동으로 생성하는 기술이다. 수동 작업에 비해 데이터 구축 속도를 비약적으로 높여주며, 특히 픽셀 단위의 정밀도가 필요한 세그멘테이션 작업에서 시간과 비용을 크게 절감한다.
인스턴스 세그멘테이션(Instance Segmentation): — 이미지 내의 개별 객체를 탐지할 뿐만 아니라 각 객체의 경계를 픽셀 단위로 정확히 구분해내는 기술이다. 단순 박스 형태의 탐지보다 정교한 마스크를 생성하여 객체의 정확한 형태와 위치 정보를 제공하는 것이 특징이다.
추론(Inference): — 학습된 모델이 새로운 입력 데이터를 받아 예측 결과를 내놓는 과정이다. 이 튜토리얼에서는 YOLOv8n-seg 모델이 비디오 프레임에서 객체 경계와 비트마스크 폴리곤을 실시간으로 계산하여 출력하는 단계를 의미한다.

언급된 도구

YOLOv8추천

객체 탐지 및 인스턴스 세그멘테이션 모델

Ultralytics추천

YOLOv8 모델 실행 및 학습을 위한 프레임워크

OpenCV추천

비디오 스트림 캡처 및 이미지 처리

언급된 리소스

문서Boost Your Dataset with YOLOv8 Auto-Label Segmentation (Source Code)

튜토리얼Deep-dive video walkthrough

문서Reading on Medium