.svg)
AI 솔루션 문의하기
자율주행 인식모델의 학습데이터는 객체의 종류를 올바르게 표시하는 일과, 그 객체의 경계를 얼마나 정확한 위치에 그리는지가 함께 요구됩니다. 종류를 맞게 표시했더라도 경계가 실제 물체보다 크거나 작게 그려지면, 모델은 물체의 실제 크기와 위치를 왜곡된 형태로 학습하게 됩니다. 바운딩박스나 폴리곤의 경계가 실제 물체의 윤곽과 얼마나 정확히 겹치는지를 별도의 기준으로 측정하고 관리하는 절차가 라벨링 정밀도를 다루는 출발점입니다. 종류를 맞히는 일과 위치를 정확히 그리는 일은 서로 다른 능력을 요구하는 작업이라, 라벨링 검수 기준도 이 둘을 하나로 뭉뚱그리지 않고 각각 따로 점검해야 실제 문제가 어느 쪽에서 비롯되는지 정확히 짚어낼 수 있습니다.
라벨의 정밀도는 사람의 눈으로 대충 훑어보는 정도로는 정확히 판단하기 어렵습니다. 라벨링된 영역과 실제 물체 영역이 겹치는 비율을 계산하는 지표를 도입해, 이 수치가 일정 기준 이하로 떨어지는 라벨을 자동으로 걸러내는 절차를 두면 정밀도를 사람의 주관이 아니라 숫자로 관리할 수 있습니다. 이 지표를 도입하면 검수자마다 다르게 느끼던 합격 기준이 하나의 공통된 잣대로 통일됩니다.
원거리에 있는 보행자나 표지판은 화면에서 차지하는 크기가 작아, 경계를 몇 픽셀만 잘못 그려도 실제 물체 크기 대비 오차 비율이 크게 벌어집니다. 작게 촬영된 물체는 확대해서 라벨링할 수 있는 도구를 제공하고, 크기가 작은 물체에는 더 엄격한 오차 허용 기준을 적용하는 절차가 필요합니다. 크고 가까운 물체와 작고 먼 물체에 같은 허용 오차를 적용하면, 먼 물체의 라벨은 상대적으로 훨씬 부정확한 상태로 남게 됩니다. 원거리 물체는 애초에 화면에서 차지하는 픽셀 수 자체가 적어, 몇 픽셀의 오차가 물체 크기 대비 차지하는 비중이 근거리 물체보다 훨씬 크다는 점을 기준을 세울 때부터 감안해야 합니다.
라이다로 수집한 포인트클라우드 데이터는 평면 이미지와 달리 물체의 위치를 3차원 좌표로 표시해야 합니다. 이 좌표가 조금만 어긋나도 모델은 물체와의 실제 거리를 잘못 학습합니다. 포인트클라우드 라벨링에서는 물체의 중심 좌표, 크기, 회전 각도를 각각 별도의 정밀도 기준으로 관리하는 절차를 두어야 합니다. 회전 각도가 몇 도만 어긋나도 물체가 차지하는 실제 공간과 라벨이 나타내는 공간 사이에 눈에 띄는 차이가 생길 수 있습니다. 특히 대형 차량처럼 길이가 긴 물체는 회전 오차가 작아 보여도 물체의 앞뒤 끝단이 가리키는 위치가 크게 벌어질 수 있어, 크기가 큰 물체일수록 회전 정밀도를 더 엄격하게 관리해야 합니다.
그림자에 걸쳐 있거나 반투명한 재질의 물체는 어디까지가 실제 경계인지 판단하기 어렵습니다. 이런 대상은 작업자마다 조금씩 다른 기준으로 경계를 긋기 쉽습니다. 경계가 불분명한 대상에 한해 판단 기준을 별도 지침으로 정리해 두고, 이 지침에 해당하는 사례를 모아 작업자들이 참고할 수 있도록 공유하는 절차가 필요합니다. 지침이 없으면 같은 유형의 물체라도 작업자에 따라 정밀도가 들쭉날쭉해집니다. 그림자와 실제 물체의 경계가 뒤섞인 사례를 미리 모아 두면, 새로 투입되는 작업자도 별도의 긴 교육 없이 이 참고 자료만으로 판단 기준을 빠르게 익힐 수 있습니다.
정밀도를 높이려면 한 장의 이미지를 더 오래 들여다보고 더 세밀하게 경계를 그려야 하는데, 이는 곧 작업 속도의 저하로 이어집니다. 전체 데이터 가운데 정밀도가 특히 중요한 상황이나 물체 유형을 먼저 골라내고, 그 부분에는 시간을 더 들이는 대신 나머지에는 표준적인 기준을 적용하는 절차를 두면 이 저울질에서 균형을 잡을 수 있습니다. 모든 라벨에 똑같이 높은 정밀도를 요구하면 작업 전체가 지연되어 오히려 데이터 확보 속도가 늦어질 수 있습니다.
라벨링 작업에 쓰이는 소프트웨어 도구의 성능도 정밀도에 직접적인 영향을 줍니다. 확대 배율이 낮거나 마우스 클릭 좌표가 부정확하게 기록되는 도구로는 아무리 숙련된 작업자라도 세밀한 경계를 그리기 어렵습니다. 작업 도구의 좌표 기록 정밀도와 확대 기능을 정기적으로 점검하고, 이 도구 자체의 성능 문제로 발생하는 오차를 사람의 실수와 구분해서 관리하는 절차가 필요합니다.
같은 교육을 받은 작업자라도 시간이 지나면서 각자의 손에 익은 습관에 따라 경계를 긋는 정밀도에 차이가 생길 수 있습니다. 작업자별 평균 겹침 비율을 주기적으로 집계해, 평균보다 낮은 작업자에게는 추가 교육을 제공하는 절차를 두면 이런 편차를 줄일 수 있습니다. 이 집계는 작업자를 평가하기 위한 도구보다, 팀 전체의 정밀도 수준을 고르게 끌어올리기 위한 참고 자료로 활용하는 편이 적절합니다.
라벨링 정밀도가 낮은 데이터로 학습한 인식모델은 실제 도로에서 물체와의 거리나 크기를 미세하게 잘못 판단하는 경향을 보일 수 있습니다. 이런 오차는 평소에는 눈에 띄지 않다가, 물체와의 거리 판단이 중요한 급박한 상황에서 갑자기 문제로 드러날 수 있습니다. 모델의 실제 도로 주행 성능과 학습데이터의 정밀도 지표를 함께 놓고 비교해, 정밀도가 낮았던 유형의 데이터가 실제로 어떤 성능 저하로 이어지는지 추적하는 절차가 필요합니다.
자율주행 인식모델의 라벨링 정밀도는 결국 픽셀 몇 개, 좌표 몇 센티미터의 차이가 데이터 전체에 걸쳐 반복되고 누적된 결과입니다. 하나하나의 오차는 사소해 보여도, 수십만 장의 이미지에 걸쳐 같은 방향으로 누적되면 모델의 판단 전체가 조금씩 왜곡된 기준 위에 서게 됩니다. 이 정밀도를 관리하는 작업은 눈에 잘 띄지 않는 미세한 오차를 처음부터 놓치지 않고 붙잡아, 그 오차가 쌓여 만드는 큰 왜곡을 미리 막는 데에 가치가 있습니다.
.svg)
.svg)
