핵심 요약
YOLO object detection label은 보통 이미지마다 하나의 .txt 파일로 저장됩니다.
각 줄은 객체 하나를 뜻합니다.
일반적인 형식은 다음과 같습니다.
class_id center_x center_y width height
네 개의 box 값은 normalized value입니다.
즉 pixel 값이 아니라 이미지 width와 height를 기준으로 0부터 1 사이의 비율로 표현합니다.
이미지는 핵심 개념을 보여줍니다. 객체 주변에 bounding box가 있고, 라벨은 class와 box 위치를 center point, width, height로 저장합니다.
기본 예시
이미지에 bottle 객체 하나가 있다고 가정합니다. 라벨 파일에는 다음과 같은 줄이 들어갈 수 있습니다.
0 0.500000 0.520000 0.250000 0.640000
읽는 방법은 다음과 같습니다.
| 값 | 의미 |
|---|---|
0 |
class id |
0.500000 |
center x 위치 |
0.520000 |
center y 위치 |
0.250000 |
bounding box width |
0.640000 |
bounding box height |
class id는 index입니다. class list가 아래와 같다면:
0 bottle
1 cup
2 box
class id 0은 bottle을 뜻합니다.
이미지 하나, 라벨 파일 하나
YOLO dataset에서는 image file과 label file이 보통 같은 base name을 가집니다.
images/train/photo_001.jpg
labels/train/photo_001.txt
photo_001.jpg에 객체가 세 개 있으면 photo_001.txt에는 세 줄이 들어갑니다.
객체가 없는 이미지라면 label file을 비워 두거나 생략할 수 있는데, 이는 training pipeline의 기대 방식에 따라 다릅니다.
사용하는 tool과 training code의 기준을 확인해야 합니다.
왜 좌표를 정규화하는가
YOLO는 training 중 image resize가 일어나도 label이 유지되도록 normalized coordinate를 사용합니다.
예를 들어 center_x = 0.5는 이미지의 가로 중앙을 뜻합니다.
이미지가 640x480이든 1280x720이든 의미는 같습니다.
변환 공식은 다음과 같습니다.
center_x = box_center_x_in_pixels / image_width
center_y = box_center_y_in_pixels / image_height
width = box_width_in_pixels / image_width
height = box_height_in_pixels / image_height
다시 pixel로 바꾸려면:
box_width_pixels = width * image_width
box_height_pixels = height * image_height
라벨링 실수는 여기서 자주 발생합니다.
YOLO text file에 pixel 값을 그대로 넣는 경우입니다.
보통 값은 0과 1 사이여야 하므로, 340 220 120 80 같은 값은 잘못된 형식일 가능성이 큽니다.
Corner Format이 아니라 Center Format
YOLO label은 center format을 사용합니다. 반면 많은 annotation tool과 image library는 corner format을 사용합니다.
x_min y_min x_max y_max
corner coordinate를 YOLO format으로 바꾸려면:
box_width = x_max - x_min
box_height = y_max - y_min
center_x = x_min + box_width / 2
center_y = y_min + box_height / 2
그 다음 image width와 height로 나누어 정규화합니다.
COCO, Pascal VOC, custom CSV annotation에서 변환할 때 이 부분을 특히 조심해야 합니다. 좌표 변환이 틀리면 box가 밀리거나, 너무 크거나, 너무 작게 보입니다.
Class ID는 Class List와 반드시 맞아야 한다
label file에는 class name이 아니라 numeric class id만 저장됩니다. class name은 보통 dataset configuration file이나 class list에 있습니다.
예를 들어:
0 car
1 bus
2 truck
나중에 class list 순서를 바꾸면 기존 label이 틀어질 수 있습니다.
원래 car였던 label이 갑자기 bus가 될 수 있습니다.
기본 규칙은 다음과 같습니다.
라벨링을 시작한 뒤에는 class ID 순서를 바꾸지 않는다.
새 class는 가능하면 마지막에 추가한다.
여러 사람이 함께 labeling할 때 특히 중요합니다.
흔한 YOLO Label 실수
첫 번째 실수는 normalized coordinate 대신 pixel coordinate를 쓰는 것입니다.
값이 340 220 120 80처럼 크다면 YOLO format이 아닐 가능성이 큽니다.
두 번째 실수는 center coordinate 대신 top-left corner coordinate를 넣는 것입니다. YOLO는 box의 왼쪽 위가 아니라 중심점을 기대합니다.
세 번째 실수는 image와 label filename이 맞지 않는 것입니다.
photo_001.jpg는 photo_001.txt와 맞아야 합니다.
네 번째 실수는 class id drift입니다. label을 만든 뒤 class list 순서가 바뀔 때 발생합니다.
다섯 번째 실수는 box를 너무 느슨하게 그리는 것입니다. object detection label은 보이는 객체를 충분히 감싸야 하지만, 불필요한 배경을 많이 포함하면 품질이 떨어집니다.
검증 체크리스트
training 전에 몇 장을 샘플로 열어 확인합니다.
[ ] 모든 image에 기대한 label file이 있다.
[ ] 객체 한 줄은 값 5개를 가진다.
[ ] class ID가 class list에 존재한다.
[ ] coordinate 값은 0과 1 사이이다.
[ ] box가 올바른 객체 위에 표시된다.
[ ] resize 후 box가 밀리지 않는다.
[ ] empty image 처리 방식이 일관적이다.
시각적 검증은 중요합니다. 텍스트로는 맞아 보여도 box가 실제 위치와 어긋날 수 있습니다.
Easy Labeling Workflow
Easy Labeling을 사용할 때 기본 흐름은 다음과 같습니다.
1. image folder를 불러온다.
2. class list를 불러오거나 정의한다.
3. 객체 주변에 box를 그린다.
4. YOLO format으로 label을 저장한다.
5. sample image를 다시 열어 box 위치를 확인한다.
검증 단계는 수백 장을 라벨링하기 전에 반드시 하는 편이 좋습니다. class 순서 실수와 coordinate export 문제를 초기에 잡을 수 있습니다.
도구는 여기에서 사용할 수 있습니다: Easy Labeling.
Easy Labeling 화면 예시
아래 화면처럼 image를 열고 box를 그린 뒤 class를 지정하는 흐름으로 작업합니다.
함께 보면 좋은 글
마무리
YOLO label format은 단순하지만 엄격합니다. 한 줄은 객체 하나입니다. 순서는 class id, center x, center y, width, height입니다. box 값은 pixel이 아니라 normalized value입니다.
이 규칙을 기억하고 training 전에 시각적으로 확인하면 object detection dataset 문제를 많이 줄일 수 있습니다.
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 “YOLO Label Format 읽는 법: class, center x, center y, width, height 이해하기” 같은 핵심 문구와 image labeling, dataset, annotation workflow, YOLO, COCO 같은 키워드를 붙이면 도움이 됩니다.
Leave a comment