.svg)
AI 솔루션 문의하기
자율주행 인식 모델은 카메라와 라이다, 레이더로 수집한 데이터에 사람이 붙인 라벨을 기준으로 학습합니다. 라벨이 실제 상황과 어긋나 있으면 모델도 그 어긋난 정보를 그대로 배우게 됩니다. 보행자를 자전거로 잘못 표시하거나 차로 경계선을 몇 픽셀 어긋나게 그린 라벨 하나가 당장 눈에 띄지 않을 수 있지만, 이런 오류가 대량으로 쌓이면 실제 주행 상황에서 인식 오류로 이어집니다. 라벨링이 끝난 데이터를 학습에 투입하기 전에 정확도를 검증하는 절차가 필요한 이유가 여기에 있습니다. 검증 없이 넘어간 오류는 모델 성능 지표에서는 잘 드러나지 않다가, 특정 조건에서만 반복적으로 나타나는 형태로 뒤늦게 발견되는 경우가 많습니다.
바운딩박스, 시맨틱 세그멘테이션, 포인트클라우드 라벨은 확인해야 할 요소가 각각 다릅니다. 바운딩박스는 객체를 얼마나 빈틈없이 감쌌는지가 관건이고, 세그멘테이션은 픽셀 단위 경계가 얼마나 정확한지를 봐야 합니다. 포인트클라우드는 3차원 공간에서 객체의 위치와 크기를 함께 판단해야 해서 검증 난이도가 더 높습니다. 라벨 유형마다 별도의 검증 기준표를 마련해 두면, 검수자마다 판단 기준이 달라지는 상황을 줄일 수 있습니다.
자율주행 데이터는 카메라, 라이다, 레이더처럼 여러 센서에서 동시에 수집됩니다. 같은 시점, 같은 객체를 두고 센서마다 라벨이 다르게 매겨지면 이 데이터를 학습에 쓸 때 모델에 혼란을 줄 수 있습니다. 카메라 영상의 객체 위치와 라이다 포인트클라우드의 좌표를 서로 대조하는 절차를 두면, 한쪽 센서에서만 발생한 라벨링 오류를 발견할 수 있습니다. 센서 간 좌표계를 맞추는 보정 작업이 먼저 정확해야 이 대조 자체가 의미를 갖습니다. 보정이 어긋난 상태로 대조를 진행하면 실제로는 정확한 라벨을 오류로 잘못 판단하는 경우도 생길 수 있어, 검증에 앞서 보정 상태를 함께 점검하는 순서가 필요합니다.
같은 장면을 두고도 검수자마다 판단이 다를 수 있습니다. 그늘에 가려 경계가 흐릿한 객체나 절반쯤 가려진 보행자처럼 애매한 사례에서 이런 차이가 두드러집니다. 동일한 데이터 샘플을 여러 검수자에게 중복으로 배정해 판단 일치도를 주기적으로 측정하면, 특정 검수자의 기준이 다른 검수자들과 얼마나 벗어나 있는지 확인할 수 있습니다. 일치도가 낮게 나오는 검수자에게는 기준표를 다시 안내하거나 재교육하는 절차로 이어집니다.
야간, 우천, 역광, 가림처럼 인식이 어려운 조건에서 수집한 데이터는 일반 조건의 데이터보다 라벨링 난이도가 높습니다. 이런 데이터는 검증 기준을 완화하기보다 오히려 더 꼼꼼하게 살펴야 합니다. 특수 조건에서 수집된 데이터를 별도로 분류해 두고, 이 데이터만 전담하는 검수 인력을 배정하는 방식은 일반 조건과 특수 조건이 뒤섞여 검증 수준이 들쭉날쭉해지는 상황을 줄여줍니다. 특수 조건 데이터의 비중이 지나치게 적으면 모델이 이런 상황에서 오히려 취약해질 수 있어, 수집 단계에서부터 비중을 함께 관리해야 합니다. 검수 인력을 배정할 때도 특수 조건 데이터에 익숙한 인력과 일반 조건 데이터를 다루는 인력을 구분해 두면, 서로 다른 판단 기준이 섞이는 상황을 줄일 수 있습니다.
모든 라벨을 사람이 하나씩 확인하는 방식은 시간과 인력이 많이 듭니다. 좌표값의 형식 오류나 클래스 누락처럼 규칙으로 걸러낼 수 있는 문제는 자동화된 검증으로 처리하고, 판단이 필요한 애매한 사례만 사람이 검토하는 구조를 두면 검증 작업의 효율을 높일 수 있습니다. 자동 검증에서 걸러지지 않은 오류가 나중에 발견되면, 그 오류 유형을 자동 검증 규칙에 추가해 다음 검증부터는 자동으로 잡아내도록 개선하는 순환도 함께 갖춰야 합니다. 이 순환이 반복될수록 사람이 직접 봐야 하는 사례의 비중은 점점 줄어들고, 검수 인력은 정말로 판단이 필요한 사례에 시간을 더 쓸 수 있게 됩니다.
라벨링 가이드라인은 한 번 정해졌다고 그대로 유지되지 않고, 데이터 특성이 바뀌거나 새로운 사례가 발견될 때마다 손봐야 합니다. 가이드라인이 바뀌면 이전 기준으로 작업한 데이터 가운데 새 기준과 어긋나는 부분이 생깁니다. 가이드라인 변경 시점을 기록해 두고, 변경 이전 데이터 가운데 영향을 받는 범위를 추려 재검증하는 절차를 마련해 두면, 기준이 섞인 데이터가 그대로 학습에 쓰이는 상황을 막을 수 있습니다.
자율주행 데이터에 품질검증 체계를 갖추려면, 우선 라벨 유형별 검증 기준표와 자동 검증으로 처리할 항목의 범위부터 정해야 합니다. 이를 바탕으로 검수자 간 판단 일치도를 측정하는 주기, 특수 조건 데이터를 다루는 전담 인력 배정도 함께 설계해야 합니다. 가이드라인이 바뀔 때 기존 데이터를 재검증하는 절차, 자동 검증 규칙을 지속적으로 보강하는 체계도 처음부터 함께 마련해 두는 편이 좋습니다.
검증을 거치지 않은 라벨링 데이터는 겉보기에는 완성된 데이터셋처럼 보이지만, 그 안에 어떤 오류가 몇 건이나 섞여 있는지 아무도 확인하지 못한 상태로 남습니다. 이 데이터로 학습한 모델이 실제 도로에서 어떤 상황을 잘못 인식할지는 모델을 배포한 뒤에야 드러나는 경우가 많습니다. 데이터를 만드는 단계에서 들이는 검증 비용은 결국 모델을 배포한 뒤에 발생할 수 있는 오인식 비용을 미리 줄이는 작업과 같습니다. 라벨링 작업량을 늘리는 데만 자원을 쏟기보다, 이미 만들어진 라벨의 정확도를 검증하는 데도 그만큼의 자원을 나눠 두는 편이 결과적으로 더 안정적인 모델을 만드는 길이 됩니다.
.svg)
.svg)
