AI 모델 학습을 위한 이미지·텍스트 데이터를 수집·정제·라벨링하고 검수까지 관리하는 학습데이터 구축 플랫폼. 아래에서 실제 라벨링 작업 화면을 그대로 둘러보세요.
이미지 위에 바운딩박스·폴리곤을 그려 객체를 라벨링합니다. AI가 미리 그려둔 사전 라벨을 확인·보정하면 작업 속도가 크게 빨라집니다.
라벨링 프로젝트를 데이터 유형·진행률로 관리합니다. 작업·검수 진행 상황을 추적하고 마감과 품질을 함께 모니터링합니다.
| 프로젝트 | 유형 | 진행 | 작업자 | 품질 | 마감 | 상태 |
|---|---|---|---|---|---|---|
| 도로 객체 탐지 | 박스 | 12명 | 99.2% | 06-20 | 작업중 | |
| 의류 세그멘테이션 | 폴리곤 | 8명 | 98.6% | 06-15 | 작업중 | |
| 리뷰 감성 분류 | 텍스트 | 5명 | 99.4% | 06-08 | 검수완료 | |
| 음성 전사·정렬 | 오디오 | 6명 | 97.8% | 06-25 | 검수중 | |
| 문서 개체명 인식 | 텍스트 | 4명 | — | 07-02 | 작업중 |
작업자에게 할당된 라벨링 작업을 순서대로 처리합니다. 작업·검수·반려 상태가 표시되어 무엇을 먼저 해야 하는지 명확합니다.
| 작업 ID | 프로젝트 | 유형 | 난이도 | 소요 | 상태 |
|---|---|---|---|---|---|
| T-8841 | 도로 객체 탐지 | 박스 | 보통 | — | 진행중 |
| T-8840 | 도로 객체 탐지 | 박스 | 쉬움 | 42s | 완료 |
| T-8838 | 의류 세그멘테이션 | 폴리곤 | 어려움 | 2m 10s | 완료 |
| T-8835 | 도로 객체 탐지 | 박스 | 보통 | — | 반려 |
| T-8834 | 의류 세그멘테이션 | 폴리곤 | 보통 | 1m 28s | 완료 |
작업된 라벨을 검수자가 확인하고 승인·반려합니다. 클래스 오류·박스 정확도를 자동 점검해 문제 라벨만 빠르게 골라냅니다.
프로젝트의 라벨 클래스와 작업 지침을 정의합니다. 명확한 예시·규칙으로 작업자 간 라벨 일관성을 지킵니다.
| 클래스 | 색상 | 단축키 | 라벨 수 | 지침 |
|---|---|---|---|---|
| car | #6D28D9 | 1 | 42,180 | 차량 전체. 일부 가려져도 보이는 부분 기준 박스 |
| person | #16A34A | 2 | 28,640 | 보행자·운전자. 머리~발끝 |
| sign | #E8920C | 3 | 12,420 | 교통 표지판. 기둥 제외 |
| lane | #0EA5E9 | 4 | 8,910 | 차선. 폴리라인으로 작업 |
작업자별 처리량과 품질을 집계합니다. 정확도가 낮은 작업자는 재교육으로, 우수 작업자는 검수자로 배치합니다.
완성된 라벨을 학습에 바로 쓰는 형식으로 내보냅니다. 스토리지·MLOps 파이프라인과 연동해 모델 학습으로 자동 전달합니다.
AI 사전라벨·검수 비율·합의(consensus) 기준을 설정합니다. 품질과 속도의 균형을 프로젝트 정책으로 관리합니다.
위 화면들을 움직이는 핵심 라벨링 기능입니다. 데이터 유형과 품질 정책에 맞게 구성해 도입하고, 운영하며 확장합니다.
바운딩박스·폴리곤·키포인트로 이미지 객체를 정밀하게 라벨링합니다.
개체명·감성 분류, 음성 전사·정렬 등 다양한 데이터 유형을 지원합니다.
모델이 먼저 라벨을 그려 작업자가 보정만 하면 되도록 속도를 높입니다.
표본 검수·합의·자동 점검으로 라벨 품질을 체계적으로 관리합니다.
처리량·정확도를 집계해 작업 배분과 교육에 활용합니다.
COCO·YOLO 등 표준 포맷으로 내보내고 학습 파이프라인과 연동합니다.