Easy Labeling으로 YOLO 데이터셋 만들기: 이미지에서 학습 폴더까지

핵심 요약

Easy Labeling으로 YOLO dataset을 만들 때는 안정적인 class list를 먼저 준비하고, 작은 batch로 image를 라벨링하고, image마다 YOLO .txt label file을 저장한 뒤, sample을 시각적으로 검수하고, images/train, images/val, labels/train, labels/val 구조로 export해야 합니다. 가장 중요한 원칙은 일관성입니다. Class ID, image name, label name, train-validation split이 계속 맞아야 합니다.

이미지는 전체 흐름을 보여줍니다. Easy Labeling은 annotation 단계를 쉽게 해주지만, dataset quality는 명확한 class, 반복 검수, 예측 가능한 export structure에 달려 있습니다.

추천 Project Folder

아래처럼 단순하게 시작합니다.

yolo-dataset-project/
  raw_images/
  working_images/
  labels/
  classes.txt
  export/

raw_images/는 원본 보관용입니다. backup 뒤에는 이 파일들을 직접 수정하거나 이름을 바꾸지 않습니다. 라벨링할 파일만 working_images/로 복사합니다.

이렇게 하면 작업을 다시 시작해야 할 때도 복구하기 쉽습니다.

1. Class List 준비

라벨링 전에 classes.txt를 만듭니다.

helmet
vest
glove
person
forklift

YOLO class ID는 줄 순서로 정해집니다. 첫 번째 줄은 class 0, 두 번째 줄은 class 1입니다. 라벨링이 시작된 뒤에는 이 파일의 순서를 바꾸지 않습니다.

새 class가 필요하면 가능하면 마지막 줄에 추가하세요. 순서를 바꾸면 기존 label이 조용히 망가질 수 있습니다.

2. Easy Labeling에서 이미지 라벨링

Easy Labeling에서는 다음 흐름으로 작업합니다.

1. Working image folder를 연다.
2. Class list를 불러오거나 만든다.
3. 대상 object 주변에 bounding box를 그린다.
4. 올바른 class를 지정한다.
5. YOLO format으로 label을 저장한다.
6. 저장된 image 몇 장을 다시 열어 box와 class를 확인한다.

도구는 여기에서 열 수 있습니다: Easy Labeling.

모든 image에 같은 labeling rule을 적용해야 합니다. 예를 들어 일부가 가려진 object를 라벨링할지 먼저 정해야 합니다. 애매한 rule은 noisy training data를 만듭니다.

3. YOLO Label File 확인

YOLO detection label file은 아래 구조를 사용합니다.

class_id x_center y_center width height

예시:

0 0.512500 0.433333 0.180000 0.260000
3 0.720000 0.510000 0.120000 0.300000

좌표는 0부터 1까지 정규화된 값입니다. pixel 값이 아닙니다. Ultralytics 문서도 YOLO detection dataset에서 정규화된 class x_center y_center width height 패턴을 설명합니다.

자세한 형식은 YOLO Label Format 읽는 법과 Ultralytics YOLO dataset format을 함께 확인하세요.

4. Split 전에 검수

수백 장을 라벨링하기 전에 작은 batch를 먼저 검수합니다.

확인할 것:

[ ] Box가 충분히 tight하다.
[ ] Class ID가 classes.txt와 맞다.
[ ] 비슷한 object에 같은 class를 사용한다.
[ ] Empty image 처리가 의도적이다.
[ ] Label filename이 image filename과 맞다.
[ ] 어려운 예외 case가 문서화되어 있다.

검수는 선택이 아닙니다. label이 일관되지 않으면 training이 조용히 실패할 수 있습니다.

5. Train과 Validation Folder Export

최종 dataset은 아래 구조를 권장합니다.

dataset/
  images/
    train/
    val/
  labels/
    train/
    val/
  data.yaml

images/train/photo_001.jpg가 있다면 label은 아래 위치에 있어야 합니다.

labels/train/photo_001.txt

images/val/photo_101.jpg가 있다면 label은 아래 위치에 있어야 합니다.

labels/val/photo_101.txt

Image와 label을 함께 split하세요. Image를 먼저 나누고 label을 따로 나누면 안 됩니다.

6. data.yaml 작성

최소 data.yaml은 아래처럼 만들 수 있습니다.

path: dataset
train: images/train
val: images/val
names:
  0: helmet
  1: vest
  2: glove
  3: person
  4: forklift

names 순서는 classes.txt와 맞아야 합니다. 순서가 다르면 model이 잘못된 object name을 학습할 수 있습니다.

7. 짧은 Verification Pass 실행

전체 training 전에 dataset을 확인합니다.

[ ] Train image 10장을 label과 함께 열어본다.
[ ] Validation image 10장을 label과 함께 열어본다.
[ ] 모든 label file row가 유효한 숫자인지 확인한다.
[ ] 의도적으로 empty image가 아닌데 label이 없는 image가 없는지 확인한다.
[ ] 환경이 준비되어 있다면 짧은 training dry run을 실행한다.

이 단계에서 대부분의 dataset 실수를 잡을 수 있습니다.

함께 보면 좋은 글

• 로컬 이미지 라벨링 워크플로우
• 이미지 라벨링 클래스 관리법
• YOLO Label Format 읽는 법
• Easy Labeling
• Ultralytics YOLO dataset format

최종 체크리스트

[ ] Raw images가 backup되어 있다.
[ ] classes.txt가 안정적이다.
[ ] Easy Labeling이 YOLO label file을 저장한다.
[ ] Image와 label filename이 맞다.
[ ] Train과 validation split이 맞다.
[ ] data.yaml이 class list와 맞다.
[ ] 시각 sample review가 끝났다.

좋은 YOLO dataset은 image가 많이 들어 있는 folder가 아닙니다. 첫 image부터 training run까지 class definition, label file, export folder가 일관되게 유지되는 반복 가능한 labeling process입니다.

자주 묻는 질문

이 글은 언제 먼저 적용하면 좋나요?

데이터셋을 만들거나 라벨 품질을 일정하게 유지해야 할 때 먼저 적용하면 좋습니다.

초보자가 가장 먼저 확인할 부분은 무엇인가요?

처음에는 클래스 정의, 예시 이미지, 검수 기준, 파일 내보내기 형식을 먼저 정하세요. 도구보다 라벨 기준이 먼저입니다.

더 찾아볼 때 어떤 키워드를 쓰면 좋나요?

추가 검색할 때는 “Easy Labeling으로 YOLO 데이터셋 만들기: 이미지에서 학습 폴더까지” 같은 핵심 문구와 image labeling, dataset, annotation workflow, YOLO, COCO 같은 키워드를 붙이면 도움이 됩니다.