3D 포인트 클라우드

3차원(3D) 포인트 클라우드는 단일 시점의 물리적 공간을 3D로 파악하기 위해 빔 탐지 및 거리 측정(LIDAR) 디바이스를 통해 가장 많이 캡처됩니다. SageMaker Ground Truth는 객체 탐지, 객체 추적, 의미 체계 세분화 같은 3D 포인트 클라우드 데이터에 대한 레이블링 워크플로를 기본적으로 지원합니다.

객체 탐지

객체 탐지 워크플로를 활용하면 3D 포인트 클라우드 내에서 대상 객체의 레이블을 식별할 수 있습니다. 예를 들어 자율 주행 차량 사용 사례에서는 차량, 차선 및 보행자를 정확하게 레이블링할 수 있습니다.

Amazon SageMaker Ground Truth 객체 탐지

객체 추적

객체 추적 워크플로에서는 대상 객체의 궤적을 추적할 수 있습니다. 예를 들어 자율 주행 차량은 다른 차량, 차선 및 보행자의 움직임을 추적해야 합니다. Ground Truth를 사용하면 일련의 3D 포인트 클라우드 데이터에서 이러한 객체의 궤적을 추적할 수 있습니다.

Amazon SageMaker Ground Truth 객체 추적

의미 체계 세분화

의미 체계 세분화 워크플로에서는 3D 포인트 클라우드의 포인트를 미리 지정한 카테고리로 세분화할 수 있습니다. 자율 주행 차량을 예로 들면, Ground Truth는 거리, 나뭇잎, 건물의 존재 여부를 분류할 수 있습니다.

Amazon SageMaker Ground Truth 의미 체계 세분화

동영상

SageMaker Ground Truth는 비디오 객체 감지, 비디오 객체 추적, 비디오 클립 분류 등의 기본 제공 워크플로를 통해 일반적인 비디오 레이블링을 지원합니다.

비디오 객체 감지

비디오 객체 탐지 워크플로를 활용하면 비디오 프레임의 시퀀스 내에서 원하는 객체를 식별할 수 있습니다. 예를 들어 자율 주행 차량의 인식 시스템을 구축할 때 차량 주위의 현장에서 다른 차량을 감지할 수 있습니다.

Amazon SageMaker Ground Truth 비디오 객체 탐지

비디오 객체 추적

비디오 객체 추적 워크플로를 활용하면 비디오 프레임의 시퀀스에 걸쳐 원하는 객체를 추적할 수 있습니다. 예를 들어 스포츠 경기 사용 사례에서 경기 시간 내내 플레이어를 정확하게 레이블링할 수 있습니다.

Amazon SageMaker Ground Truth 비디오 객체 추적

비디오 클립 분류

비디오 클립 워크플로를 사용하면 비디오 파일을 미리 지정된 범주로 분류할 수 있습니다. 예를 들어 스포츠 경기 또는 교통량이 많은 교차로의 교통 체증과 같이 비디오를 가장 잘 설명하는 미리 지정된 범주를 선택할 수 있습니다.

Amazon SageMaker Ground Truth 비디오 클립 분류

이미지

SageMaker Ground Truth는 이미지 분류, 객체 탐지, 의미 체계 세분화 같은 이미지 데이터에 대한 레이블링 워크플로를 기본적으로 제공합니다.

이미지 분류

이미지 분류는 이미지의 실세계 표현을 토대로 이미지를 식별하는 프로세스입니다. 이 프로세스에는 사전 정의된 레이블 세트를 기준으로 이미지를 분류하는 과정이 포함됩니다. 이미지 분류는 이미지의 전체 컨텍스트를 고려해야 하는 장면 탐지 모델에 유용합니다. 예를 들어 자율 주행 차량이 다른 차량, 보행자, 신호등, 표지판 같은 다양한 실세계 객체를 탐지하도록 하기 위한 이미지 분류 모델을 구축할 수 있습니다.

Amazon SageMaker Ground Truth 이미지 분류

객체 탐지

객체 탐지 워크플로를 활용하면 이미지에서 대상 객체(예: 차량, 보행자, 개, 고양이)를 식별하고 레이블링할 수 있습니다. 레이블링 태스크에는 이미지 내의 대상 객체 주변에 2차원 상자인 경계 상자를 그리는 과정이 포함됩니다. 레이블링된 경계 상자가 있는 이미지를 통해 훈련된 컴퓨터 비전 모델은 상자 내의 픽셀이 지정된 객체에 해당한다는 것을 학습합니다.

Amazon SageMaker Ground Truth 객체 탐지

의미 체계 세분화

의미 체계 세분화를 사용하면 모델이 학습해야 하는 레이블에 해당하는 정확한 이미지 부분을 레이블링할 수 있습니다. 이렇게 하면 개별 픽셀이 레이블링되기 때문에 고도로 정밀한 훈련 데이터가 생성됩니다. 예를 들어 이미지에 있는 차량의 불규칙한 모양을 의미 체계 세분화를 통해 정확하게 캡처할 수 있습니다.

Amazon SageMaker Ground Truth 의미 체계 세분화

텍스트

SageMaker Ground Truth는 텍스트 분류, 명명된 엔터티 인식 같은 텍스트 데이터에 대한 레이블링 워크플로를 기본적으로 제공합니다.

텍스트 분류

텍스트 분류에는 사전 정의된 레이블 세트를 기준으로 텍스트 문자열을 분류하는 과정이 포함됩니다. 텍스트를 각기 다른 레이블로 분류하는 작업은 주제(예: 제품 설명, 영화 리뷰), 감정 등을 식별하는 자연어 처리(NLP) 모델에 사용되는 경우가 많습니다.

Amazon SageMaker Ground Truth 텍스트 분류

명명된 엔터티 인식

명명된 엔터티 인식(NER)에는 텍스트 데이터를 조사하여 명명된 엔터티라는 구문을 찾고 이러한 각 구문을 “사람”, “조직” 또는 “브랜드” 같은 레이블로 분류하는 과정이 포함됩니다. 따라서 “최근에 Amazon Prime을 구독했습니다.”라는 진술에서 “Amazon Prime”은 명명된 엔터티에 해당하며 “브랜드”로 분류할 수 있습니다.

Amazon SageMaker Ground Truth 명명된 엔터티 인식

사용자 지정 워크플로

Ground Truth에서는 자체 레이블링 워크플로를 생성할 수 있습니다. 사용자 지정 워크플로는 (1) 인간 레이블러에게 레이블링 태스크를 완료하는 데 필요한 모든 지침과 도구를 제공하는 UI 템플릿, (2) AWS Lambda 함수에 캡슐화된 사전 처리 로직, 그리고 (3) AWS Lambda 함수에 캡슐화된 사후 처리 로직의 세 가지 구성 요소로 이루어져 있습니다. 다양한 종류의 UI 템플릿을 사용할 수도 있고, 자체 JavaScript/HTML 템플릿을 업로드할 수도 있습니다. 사전 처리 Lambda 함수는 레이블링할 데이터를 처리하고 레이블러를 위한 별도의 컨텍스트를 추가하며, 사후 처리 Lambda 함수는 정확도 개선 알고리즘을 삽입하는 데 사용할 수 있습니다. 이 알고리즘은 사람이 작성한 주석의 품질을 평가할 수도 있고, 여러 인간 레이블러에게 동일한 데이터가 제공되는 경우 “올바른” 데이터에 대한 공통된 의견을 찾을 수도 있습니다. 이러한 세 구성 요소는 모두 SageMaker Ground Truth 콘솔을 사용하여 업로드할 수 있습니다.

Ground Truth에서 사용자 지정 워크플로 생성

인력

SageMaker Ground Truth에서는 여러 가지 옵션을 통해 인력이 데이터를 레이블링하도록 지원하는데, 이러한 옵션에는 (1) 자체 직원, (2) AWS Marketplace를 통해 제공되는 타사 데이터 레이블링 서비스 공급자, 그리고 (3) Amazon Mechanical Turk를 통한 크라우드 소싱 인력이 있습니다.

Mechanical Turk
Mechanical Turk
프라이빗
프라이빗
공급업체
공급업체
Amazon SageMaker Ground Truth 요금
Amazon SageMaker Ground Truth 요금에 대해 자세히 알아보기

선결제 약정 또는 장기 계약 없이 Amazon SageMaker Ground Truth를 시작하십시오.

자세히 알아보기 
AWS 계정에 가입
무료 계정에 가입

AWS 프리 티어에 즉시 액세스할 수 있습니다. 

가입하기 
콘솔에서 구축 시작
콘솔에서 구축 시작

AWS Management Console에서 Amazon SageMaker Ground Truth로 구축을 시작하십시오.

로그인하기