Easy Labeling
YOLO 학습 데이터 라벨링을 손쉽게 진행할 수 있는 웹 도구입니다.
- 웹 기반이라 설치가 필요 없습니다.
- 로컬 파일을 직접 처리합니다.
- File System Access API로 안전하고 빠르게 작업합니다.
Easy Labeling: Web-Based YOLO Data Labeling Tool
A simple, installation-free tool to label YOLO datasets in your browser.
- Web-based: no installation required.
- Processes local files directly.
- Utilizes the File System Access API for secure, high-speed operation.
관련 포스트 / Related Posts
YOLO Label Format: Read Class, Center X, Center Y, Width, and Height
A YOLO label represents one object with a class ID and normalized center coordinates, width, and height, so image size and coordinate rules must be checked t...
YOLO Label Format 읽는 법: class, center x, center y, width, height 이해하기
YOLO 라벨은 한 객체를 class ID와 정규화된 중심 좌표, 너비, 높이로 표현하므로 이미지 크기와 좌표 기준을 함께 이해해야 한다.
Video Frame Labeling: Extract Frames Without Flooding the Dataset
When extracting frames from video, time interval, scene change, object diversity, and duplicate cleanup rules reduce labeling cost.
비디오 프레임 라벨링: 너무 많은 비슷한 장면을 줄이는 추출 기준
비디오에서 프레임을 추출할 때는 시간 간격, 장면 변화, 객체 다양성, 중복 제거 기준을 정해야 라벨링 비용을 줄일 수 있다.
Small Object Labeling Rules: Separate Visible Objects from Learnable Objects
Small objects are sensitive to box error, so minimum pixel size, zoom rules, and exclusion rules should be decided before labeling.
작은 객체 라벨링 기준: 보이는 물체와 학습 가능한 물체를 구분하기
작은 객체는 박스 오차가 모델 학습에 크게 작용하므로 최소 픽셀 크기, 확대 기준, 제외 기준을 먼저 정해야 한다.
Instance Segmentation Mask Review: Class and Connected Regions
Instance Segmentation Mask Review: Class and Connected Regions organized into standards, records, and verification steps readers can apply.
Instance Segmentation 마스크 검수: 경계보다 클래스와 연결 영역
Instance Segmentation 마스크 검수: 경계보다 클래스와 연결 영역를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
YOLO Class Taxonomy Audit: Lock Names, IDs, and Exceptions
YOLO Class Taxonomy Audit: Lock Names, IDs, and Exceptions organized into standards, records, and verification steps readers can apply.
YOLO 클래스 taxonomy 감사: 이름, ID, 예외를 같이 잠그기
YOLO 클래스 taxonomy 감사: 이름, ID, 예외를 같이 잠그기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Browser Folder Permission Labeling: Checks Before File System Access
Browser Folder Permission Labeling: Checks Before File System Access organized into standards, records, and verification steps readers can apply.
브라우저 폴더 권한 라벨링: File System Access API 작업 전 확인
브라우저 폴더 권한 라벨링: File System Access API 작업 전 확인를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Segmentation vs Detection Labels: Decide Whether Boxes Are Enough
Detection boxes and segmentation masks have different costs and use cases, so model objective and required precision should be separated before labeling.
Segmentation과 Detection 라벨 선택: 박스가 충분한지 마스크가 필요한지 판단하기
객체 탐지 박스와 세그멘테이션 마스크는 비용과 활용 목적이 다르므로 라벨링 전에 모델 목표와 필요한 정밀도를 분리해야 한다.
Dataset Drift Sampling: Check Whether New Batches Changed
Dataset Drift Sampling: Check Whether New Batches Changed organized into standards, records, and verification steps readers can apply.
Dataset Drift 샘플링: 새 배치가 기존 기준과 달라졌는지 보기
Dataset Drift 샘플링: 새 배치가 기존 기준과 달라졌는지 보기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Mask vs Box Cost Calculator: Choose Images That Need Segmentation
Mask vs Box Cost Calculator: Choose Images That Need Segmentation organized into standards, records, and verification steps readers can apply.
Mask vs Box 비용 계산: Segmentation이 필요한 이미지 고르기
Mask vs Box 비용 계산: Segmentation이 필요한 이미지 고르기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
When Rotated Bounding Boxes Matter: Are Regular Boxes Enough?
Datasets with many angled objects may include too much background in regular boxes, so OBB support and the training objective should be checked first.
Rotated Bounding Box가 필요한 경우: 기울어진 객체를 일반 박스로 충분히 표현할 수 있을까
기울어진 물체가 많은 데이터셋에서는 일반 박스가 배경을 많이 포함할 수 있으므로 OBB 지원 여부와 학습 목표를 먼저 확인해야 한다.
Resolving Labeler Disagreement: Update Rules Before Voting
Resolving Labeler Disagreement: Update Rules Before Voting organized into standards, records, and verification steps readers can apply.
라벨러 의견 불일치 해결: 다수결보다 기준 업데이트
라벨러 의견 불일치 해결: 다수결보다 기준 업데이트를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Segmentation Region Class Change: Common Mask Review Errors
Segmentation Region Class Change: Common Mask Review Errors organized into standards, records, and verification steps readers can apply.
Segmentation 영역 클래스 변경: 마스크 검수에서 놓치기 쉬운 오류
Segmentation 영역 클래스 변경: 마스크 검수에서 놓치기 쉬운 오류를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
YOLO Empty Label Policy: Keep Negative Images as Training Signals
YOLO Empty Label Policy: Keep Negative Images as Training Signals organized into standards, records, and verification steps readers can apply.
YOLO 빈 라벨 정책: negative image를 학습 신호로 남기는 법
YOLO 빈 라벨 정책: negative image를 학습 신호로 남기는 법를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Annotation Time Benchmark: Time per Image With Quality
Annotation Time Benchmark: Time per Image With Quality organized into standards, records, and verification steps readers can apply.
Annotation Time Benchmark: 장당 시간으로 비용과 품질을 같이 보기
Annotation Time Benchmark: 장당 시간으로 비용과 품질을 같이 보기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
From Training Error Back to Label Fixes
From Training Error Back to Label Fixes organized into standards, records, and verification steps readers can apply.
모델 학습 오류에서 라벨 수정으로 돌아가는 루프
모델 학습 오류에서 라벨 수정으로 돌아가는 루프를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Multi-Class Visibility Review: Use Class Filters to Find Missing Labels
Multi-Class Visibility Review: Use Class Filters to Find Missing Labels organized into standards, records, and verification steps readers can apply.
다중 클래스 가시성 검수: 클래스별 숨김으로 누락 찾기
다중 클래스 가시성 검수: 클래스별 숨김으로 누락 찾기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Windows Electron Local Labeling: Reducing Browser Limitations
Windows Electron Local Labeling: Reducing Browser Limitations organized into standards, records, and verification steps readers can apply.
Windows Electron 로컬 라벨링: 브라우저 제한을 줄이는 선택지
Windows Electron 로컬 라벨링: 브라우저 제한을 줄이는 선택지를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
File Naming Contract: Keep Images, Labels, and Masks Aligned
File Naming Contract: Keep Images, Labels, and Masks Aligned organized into standards, records, and verification steps readers can apply.
파일명 계약: 이미지, 라벨, 마스크가 같은 객체를 가리키게 하기
파일명 계약: 이미지, 라벨, 마스크가 같은 객체를 가리키게 하기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
QA Before YOLO Training: Do Not Mistake Data Errors for Model Problems
QA before YOLO training catches missing labels, class-order mistakes, corrupt images, split leakage, and extreme boxes before model time is wasted.
YOLO 학습 전 QA 루틴: 데이터 오류를 모델 문제로 착각하지 않기
YOLO 학습 전 QA는 라벨 누락, 클래스 순서 오류, 이미지 손상, 분할 누수, 극단적 박스를 먼저 잡아 모델 실험 시간을 아낀다.
Small Object Minimum Size Rule: Label or Ignore
Small Object Minimum Size Rule: Label or Ignore organized into standards, records, and verification steps readers can apply.
Small Object 최소 크기 규칙: 라벨링할 물체와 버릴 물체 구분
Small Object 최소 크기 규칙: 라벨링할 물체와 버릴 물체 구분를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Bounding Box Alignment and Batch Edit for Repeated Objects
Bounding Box Alignment and Batch Edit for Repeated Objects organized into standards, records, and verification steps readers can apply.
Bounding Box 정렬과 batch edit: 반복 객체 라벨링 속도 높이기
Bounding Box 정렬과 batch edit: 반복 객체 라벨링 속도 높이기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Brush and Eraser Mask Protocol for Consistent Segmentation
Brush and Eraser Mask Protocol for Consistent Segmentation organized into standards, records, and verification steps readers can apply.
Brush/Eraser 마스크 프로토콜: Segmentation 작업 일관성 만들기
Brush/Eraser 마스크 프로토콜: Segmentation 작업 일관성 만들기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
YOLO Label Lint Check: Find TXT Errors Before Training
YOLO Label Lint Check: Find TXT Errors Before Training organized into standards, records, and verification steps readers can apply.
YOLO Label Lint Check: 학습 전 txt 파일 오류 찾기
YOLO Label Lint Check: 학습 전 txt 파일 오류 찾기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Sensitive Image Labeling and Local-First Work: Security Checks Before Uploads
Sensitive image labeling should check access rights, storage location, deletion rules, and anonymization before upload convenience.
민감한 이미지 라벨링과 로컬 우선 작업: 업로드 전에 확인할 보안 기준
민감한 이미지 라벨링은 업로드 편의성보다 접근 권한, 저장 위치, 삭제 기준, 익명화 가능성을 먼저 확인해야 한다.
Review Sampling Dashboard: Operate Annotation QA With Numbers
Review Sampling Dashboard: Operate Annotation QA With Numbers organized into standards, records, and verification steps readers can apply.
Review Sampling Dashboard: 라벨 검수를 숫자로 운영하기
Review Sampling Dashboard: 라벨 검수를 숫자로 운영하기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Pre-Labeling and Human Review: Do Not Trust Auto Labels Without QA
Model-generated boxes can speed up work, but class confusion, missed small objects, and overconfident mistakes need human QA before training use.
Pre-labeling과 사람 검수: 자동 라벨을 그대로 믿지 않는 워크플로우
모델이 미리 그린 박스는 속도를 높일 수 있지만 클래스 혼동, 작은 객체 누락, 과신 오류를 사람이 검수해야 학습 데이터로 쓸 수 있다.
Active Learning Batch Priority: Pick Images to Label First
Active Learning Batch Priority: Pick Images to Label First organized into standards, records, and verification steps readers can apply.
Active Learning Batch Priority: 먼저 라벨링할 이미지 고르는 법
Active Learning Batch Priority: 먼저 라벨링할 이미지 고르는 법를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Dataset License Handoff: Transfer Image Rights With Labels
Dataset License Handoff: Transfer Image Rights With Labels organized into standards, records, and verification steps readers can apply.
Dataset License Handoff: 이미지 권리와 라벨 파일을 같이 넘기기
Dataset License Handoff: 이미지 권리와 라벨 파일을 같이 넘기기를 검색 독자가 바로 적용할 수 있도록 기준, 기록, 검증 순서로 정리합니다.
Occlusion and Truncation Labeling: Document Edge-Case Rules
Occluded and truncated objects are handled differently by project, so include rules and box extent must be documented before labeling.
가림과 잘림 객체 라벨링: occlusion, truncation 기준을 문서화하기
가려진 객체와 화면 밖으로 잘린 객체는 프로젝트마다 다르게 처리되므로 라벨링 전에 포함 기준과 박스 범위를 문서화해야 한다.
Why Object Detection Needs Negative Images: Design YOLO Negative Samples
Negative images help reduce false positives by teaching the model real deployment backgrounds where target objects are absent.
객체가 없는 이미지도 필요한 이유: YOLO negative sample 설계
객체가 없는 이미지는 모델이 배경을 객체로 착각하는 문제를 줄이는 데 도움이 되며, 실제 배포 환경의 배경을 반영해야 한다.
Improve Labeling with Model Error Analysis: Turn FP and FN into Next Work
Model error analysis should turn false positives, false negatives, and class confusion images into the next labeling tasks.
모델 오류 분석으로 라벨링 개선하기: 오탐과 미탐을 다음 작업으로 바꾸기
모델 오류 분석은 성능표를 보는 데서 끝나지 않고 오탐, 미탐, 클래스 혼동 이미지를 다음 라벨링 작업으로 바꾸는 과정이다.
Local Image Labeling Workflow: Organize Images, Classes, Labels, and Review
Local labeling reduces uploads and keeps sensitive images under control, but folder structure, save rules, and backups must be defined first.
로컬 이미지 라벨링 워크플로우: 이미지, 클래스, 라벨, 검수 정리법
로컬 라벨링은 파일 업로드를 줄이고 민감한 이미지를 통제할 수 있지만 폴더 구조, 저장 규칙, 백업 기준을 먼저 정해야 한다.
Labeling Instructions Template: Make Labelers Draw Boxes the Same Way
A labeling instruction document should freeze class definitions, include and exclude rules, edge images, save rules, and question handling.
라벨링 지침서 템플릿: 라벨러가 같은 기준으로 박스를 그리게 만드는 법
라벨링 지침서는 클래스 설명, 포함·제외 기준, 예외 이미지, 저장 규칙, 질문 처리 방법을 한 문서로 고정해야 한다.
Labeler Onboarding Checklist: Start New Annotators with the Same Standard
New labelers need class rules, edge-case handling, save rules, and question paths before tool speed, otherwise rework increases.
라벨러 온보딩 체크리스트: 첫날부터 같은 기준으로 작업하게 만들기
새 라벨러는 도구 사용법보다 클래스 기준, 예외 처리, 저장 규칙, 질문 경로를 먼저 익혀야 재작업을 줄일 수 있다.
Label Version Control: Make Dataset v1 and v2 Reversible
Label version control keeps images, labels, class files, and instructions tied to one version so model experiments can be reproduced.
라벨 버전 관리: 데이터셋 v1, v2를 되돌릴 수 있게 만드는 방법
라벨 버전 관리는 모델 실험을 재현하기 위해 이미지, 라벨, 클래스 파일, 지침서를 같은 버전으로 묶어 보관하는 작업이다.
Label Format Migration Plan: Move Between YOLO, COCO, and CVAT Safely
Label format migration is not just a conversion command; coordinate systems, class IDs, metadata, and unsupported attributes must be checked.
라벨 포맷 전환 계획: YOLO, COCO, CVAT 사이를 오갈 때 지킬 기준
라벨 포맷 전환은 단순 변환 명령이 아니라 좌표 체계, 클래스 ID, 메타데이터, 지원하지 않는 속성 손실을 점검하는 마이그레이션이다.
Image Labeling Project Plan: Connect Collection, Annotation, QA, and Training
An image labeling project should start before the labeling screen, with objective, collection, instructions, QA, and training feedback designed as one loop.
이미지 라벨링 프로젝트 계획서: 수집, 라벨링, 검수, 학습을 한 흐름으로 묶기
이미지 라벨링 프로젝트는 라벨링 화면에서 시작하지 않고 목표 정의, 데이터 수집, 기준 문서, 검수, 학습 피드백 루프로 설계해야 한다.
Image Labeling Classes: Manage Names, IDs, and Dataset Consistency
Class management is the first rule to freeze before training; ID order and edge-case rules matter more than names alone.
이미지 라벨링 클래스 관리법: class name, ID, dataset consistency 지키기
클래스 관리는 모델 학습 전 가장 먼저 고정해야 하는 규칙이며, 이름보다 ID 순서와 예외 기준이 더 중요하다.
YOLO Training-Ready Export Checklist: Do Not Train Immediately After Labeling
After labeling, training should wait until folder structure, class order, empty labels, corrupt images, and validation samples are checked.
YOLO 학습 준비 export 체크리스트: 라벨링 끝난 뒤 바로 훈련하지 말아야 하는 이유
라벨링이 끝나도 학습 전에는 폴더 구조, 클래스 순서, 빈 라벨, 손상 이미지, 검증 샘플을 확인해야 한다.
Build an Edge Case Gallery: Freeze Ambiguous Label Rules with Images
An edge-case gallery collects ambiguous objects, occlusion, small objects, and class confusion examples so labelers and reviewers share one standard.
Edge Case Gallery 만들기: 애매한 라벨 기준을 이미지로 고정하는 법
Edge case gallery는 애매한 객체, 가림, 작은 물체, 클래스 혼동 사례를 모아 라벨러와 검수자가 같은 기준을 보게 하는 자료다.
Build a YOLO Dataset with Easy Labeling: From Images to Training Folders
Easy Labeling can open local images in the browser and save YOLO boxes, making it useful from small-sample review to training folder setup.
Easy Labeling으로 YOLO 데이터셋 만들기: 이미지에서 학습 폴더까지
Easy Labeling은 브라우저에서 로컬 이미지를 열고 YOLO 박스를 저장할 수 있으므로 작은 샘플 검수부터 학습 폴더 구성까지 연결하기 좋다.
Duplicate Image Cleanup: Why Near-Duplicates Should Be Reduced Before Labeling
Duplicate images increase labeling cost and can inflate validation scores, so filenames, hashes, and visual similarity should be checked before labeling.
중복 이미지 정리: 라벨링 전에 near-duplicate를 줄여야 하는 이유
중복 이미지는 라벨링 비용을 늘리고 검증 점수를 부풀릴 수 있으므로 작업 전 파일명, 해시, 시각적 유사도를 기준으로 정리해야 한다.
Train, Val, Test Dataset Split: Prevent Leakage After Image Labeling
Dataset splitting is not only a ratio; it prevents duplicate images, shared capture conditions, and the same object from leaking across splits.
Train, Val, Test 데이터셋 분할: 이미지 라벨링 후 누수를 막는 기준
데이터셋 분할은 단순 비율 문제가 아니라 중복 이미지, 같은 촬영 환경, 같은 객체가 서로 다른 분할로 새지 않게 막는 품질 작업이다.
Dataset Handoff for Training Teams: What to Include in the Handoff Document
Dataset handoff is not just sending a zip file; it should include version, class rules, split method, known limits, and QA results.
라벨링 팀에서 학습 팀으로 데이터 넘기기: handoff 문서에 들어갈 것
데이터셋 handoff는 압축 파일 전달이 아니라 버전, 클래스 규칙, 분할 방식, 알려진 한계, 검수 결과를 함께 넘기는 과정이다.
Object Detection Dataset Folder Structure: Keep Images and Labels Aligned
An object detection dataset needs aligned image and label paths, and train, val, and test folders must not be mixed.
객체 탐지 데이터셋 폴더 구조: images와 labels를 안전하게 맞추기
객체 탐지 데이터셋은 이미지와 라벨의 상대 위치가 맞아야 하며 train, val, test 폴더가 서로 섞이지 않아야 한다.
YOLO data.yaml Guide: Paths, Class Order, and Validation Errors
data.yaml is the contract connecting image paths and class names in YOLO training, so paths, names, and order must match label files.
YOLO data.yaml 작성법: 경로, 클래스 순서, 검증 오류 줄이기
data.yaml은 YOLO 학습에서 이미지 경로와 클래스 이름을 연결하는 계약서이므로 경로, 이름, 순서가 라벨 파일과 맞아야 한다.
COCO to YOLO Conversion Mistakes: Avoid Broken Detection Labels
Converting COCO JSON to YOLO text labels requires checking coordinate origin, width and height, category IDs, and image filenames.
COCO to YOLO 변환 실수: 객체 탐지 라벨이 깨지는 이유
COCO JSON을 YOLO 텍스트 라벨로 바꿀 때는 좌표 원점, 폭과 높이, category ID, 이미지 파일명을 모두 다시 맞춰야 한다.
Class Imbalance in Datasets: Reduce Models That Only Learn Frequent Classes
Class imbalance can produce models that work only for frequent objects, so frequency, difficulty, and validation samples must be tracked during labeling.
클래스 불균형 데이터셋: 많이 찍힌 클래스만 잘 맞는 문제 줄이기
클래스 불균형은 흔한 객체만 잘 맞는 모델을 만들 수 있으므로 라벨링 단계에서 빈도, 난이도, 검증 표본을 함께 관리해야 한다.
Browser-Based Labeling Tools: Balance No Install with File Access Control
Browser-based labeling reduces installation friction, but file permissions, browser support, save location, and large-batch limits must be checked.
브라우저 기반 라벨링 도구 장단점: 설치 없음과 파일 접근 권한 사이의 균형
브라우저 기반 라벨링은 설치 부담을 줄이지만 파일 접근 권한, 브라우저 지원, 저장 위치, 대용량 작업 기준을 확인해야 한다.
Easy Labeling Guide (1) - Loading Images and Labels
This is the first guide for the YOLO labeling tool, Easy Labeling. It provides basic instructions on how to load image folders and label files from your PC a...
Easy Labeling 가이드 (1) - 이미지와 라벨 불러오기
Easy Labeling 첫 번째 가이드입니다. Detection용 이미지와 라벨 폴더를 불러오고, 클래스 파일을 관리하며, Segmentation 저장 형식도 함께 확인합니다.
Easy Labeling Features for YOLO Data Labeling
Unlock maximum efficiency in your YOLO data labeling workflow. This guide explores Easy Labeling’s powerful features, from local file access and advanced ann...
YOLO 라벨링을 위한 Easy Labeling 주요 기능
AI 객체 탐지를 위한 YOLO 데이터 라벨링, 아직도 힘드신가요? Easy Labeling의 강력한 기능으로 데이터셋 구축 시간을 단축하세요. 로컬 파일 연동, 고급 Annotation 기능, 효율적인 단축키 등 YOLO 라벨링 생산성을 극대화하는 모든 비법을 공개합니다.
Introducing Easy Labeling: Local Detection and Segmentation Annotation Tool
Discover Easy Labeling, a local-first image annotation tool for Detection YOLO boxes and Segmentation masks, with browser folder access and an optional Windo...
Easy Labeling 개발기: 로컬 Detection과 Segmentation 주석 도구
YOLO 객체 탐지 모델 학습, 데이터 라벨링 때문에 힘드셨나요? 설치가 필요 없는 웹 기반 YOLO 라벨링 도구, Easy Labeling의 개발 과정과 주요 기능을 소개합니다. 로컬 파일을 직접 사용하여 빠르고 안전하게 인공지능 데이터셋을 구축하는 방법을 알아보세요.
Bounding Box Quality Checklist: Reduce Loose Boxes and Cut Objects
Box quality sets a ceiling for model performance, so object borders, occlusion, truncation, padding, and class rules need repeatable review.
Bounding Box 품질 체크리스트: 느슨한 박스와 잘린 객체를 줄이는 법
박스 품질은 모델 성능의 상한을 정하므로 객체 경계, 가림, 잘림, 여백, 클래스 기준을 검수표로 반복 확인해야 한다.
Label Safety Before Data Augmentation: Keep Boxes Valid After Crop and Flip
Data augmentation can help generalization, but rotation, cropping, and scaling must not break boxes or class meaning.
데이터 증강 전 라벨 안전성: 회전, 자르기, 뒤집기가 박스를 망가뜨리지 않게 하기
데이터 증강은 모델 일반화에 도움이 될 수 있지만 회전, 자르기, 확대가 라벨 박스와 클래스 의미를 깨지 않는지 확인해야 한다.
Annotation Review Sampling: Catch Quality Issues Without Rechecking Everything
Annotation review does not require checking every image; sampling by class, labeler, capture condition, and model error can reveal repeat issues.
라벨 검수 샘플링: 모든 이미지를 다시 보지 않고 품질을 잡는 법
라벨 검수는 전수 확인만 답이 아니며 클래스, 라벨러, 촬영 조건, 모델 오류 유형별로 샘플을 뽑아 반복 문제를 찾을 수 있다.
Annotation Cost Estimation: Count Rework, Not Only Time Per Image
Annotation cost is not only image count times time per image; instructions, QA, rework, conversion, and cleanup should be included.
이미지 라벨링 비용 산정: 장당 시간이 아니라 재작업률까지 계산하기
라벨링 비용은 이미지 수와 장당 시간만으로 끝나지 않으며 지침 작성, 검수, 재작업, 포맷 변환, 데이터 정리 시간을 포함해야 한다.
Active Learning Labeling Loop: Relabel the Images Your Model Finds Hard
Active learning avoids labeling every image in order; it prioritizes low-confidence, false-positive, and false-negative samples for review.
Active Learning 라벨링 루프: 모델이 어려워한 이미지부터 다시 라벨링하기
Active learning은 모든 이미지를 같은 순서로 라벨링하지 않고 모델의 낮은 확신, 오탐, 미탐 샘플을 우선 검수하는 반복 루프다.