[고객 사례] CVAT에서 라벨링 자동화 툴로: 데이터 작업 시간을 8분의 1로 줄인 엣지비전

오프라인에서도 정확해야 하는 스마트시티 AI

엣지비전은 스마트시티의 엣지 컴퓨팅 환경을 위한 AI를 만듭니다. 인터넷이나 외부 리소스가 없는 환경에서도 높은 정확도를 유지해야 하기 때문에, 모델 개발에 쓰이는 데이터셋의 품질이 특히 중요했습니다.

과제: 직접 라벨링이 낳은 역설

엣지비전은 셀프 호스티드 CVAT 인스턴스와 외부 라벨링 서비스에 투자했지만 만족할 품질을 얻지 못했습니다. 사람이 직접 라벨링하면 섬세한 결과물을 얻을 것으로 기대했지만, 오히려 인하우스 ML팀의 시간과 리소스만 소모됐습니다.

• 데이터 업로드부터 외부 라벨러 할당까지 모든 작업이 비효율적인 툴을 거쳐야 했습니다
• 복잡한 데이터 후처리를 위해 별도의 파이썬 스크립트까지 동원해야 했습니다
• 솔루션 규모는 커지는데 라벨링 예산은 그대로 유지해야 했습니다

해결: 커스텀 오토라벨과 오토 에딧

오토 에딧(Auto-Edit)은 원하는 객체에 바운딩 박스만 그리면 자동으로 세그멘테이션해 주는 AI 어시스티드 어노테이션 툴입니다. 엣지비전은 슈퍼브 플랫폼의 커스텀 오토라벨로 복잡하고 역동적인 장면 속 자동차·보행자 같은 객체를 자동 라벨링하고, 불규칙한 형태의 객체는 오토 에딧으로 처리했습니다. 수정은 클릭 한 번으로 끝납니다.

성과: 스프린트의 8분의 1만 데이터에 쓰다

라벨링 프로젝트 관리와 QA에 들어가던 시간을 최신 연구 동향을 따라가고 모델을 고도화하는 데 재투자할 수 있게 됐습니다.

지금의 슈퍼브에이아이: 데이터 구축에서 비전 인텔리전스로

이 프로젝트는 슈퍼브 플랫폼의 라벨링 자동화 기능으로 진행된 사례입니다. 슈퍼브에이아이는 이후 데이터 구축을 넘어 산업 특화 비전 파운데이션 모델 제로(ZERO)와 영상 분석 솔루션 Superb Video Analytics까지 제품군을 확장했습니다. 지금은 데이터 구축부터 모델 개발, 현장 운영까지 전 과정을 하나의 파이프라인으로 지원합니다.

자주 묻는 질문(FAQ)

CVAT 같은 오픈소스 라벨링 툴의 한계는 무엇인가요?

셀프 호스팅 관리, 데이터 업로드와 라벨러 할당, 후처리가 모두 수작업입니다. 엣지비전은 복잡한 후처리를 위해 별도의 파이썬 스크립트까지 동원해야 했고, 결국 ML팀의 리소스가 라벨링 관리에 소모됐습니다.

라벨링 자동화 툴로 바꾸면 시간이 얼마나 줄어드나요?

엣지비전은 커스텀 오토라벨과 오토 에딧 도입 후 새 데이터셋 구축 기간이 1주일 미만으로, 스프린트당 데이터 작업 시간이 8분의 1로 줄었습니다.

오토 에딧은 어떤 기능인가요?

원하는 대상에 바운딩 박스를 그리면 자동으로 세그멘테이션해 주는 AI 어시스티드 어노테이션 툴입니다. 불규칙한 형태의 객체도 클릭 한 번으로 수정할 수 있습니다.

함께 보면 좋은 콘텐츠

자율주행 비전 AI 활용 사례 3선: 객체 추적 98%, 발렛 파킹 95.7%

자동 발렛 파킹, 자율운항 선박, 영상 데이터셋 객체 추적 - 자율주행 인지 성능을 좌우하는 비전 AI 활용 사례 3건을 정확도 수치와 함께 정리했습니다.

슈퍼브 블로그

[성공 사례] 스마트시티 AI 관제 사례: G시 공공 안전·교통 혁신

대한민국 G시는 슈퍼브에이아이의 AI 영상 관제 솔루션을 도입하여 도시 안전과 교통 문제 해결에 성공했습니다. 파인튜닝 모델과 프롬프트 기반 AI의 하이브리드 접근, 그리고 자동 문자 알림 시스템을 통해 어떻게 선제적 안전망을 구축하고 시민이 체감하는 행정 혁신을 이루었는지 확인해 보세

슈퍼브 블로그

이런 사례를 더 보고 싶다면, 산업별 성과를 정리한 비전 AI 도입 사례집을 받아보세요.

엣지 환경의 AI 모델과 학습 데이터 구축을 검토하고 계신가요? 아래에 내용을 남겨주시면 영업 전화가 아니라, 지금 쓰고 계신 라벨링 파이프라인에서 무엇을 자동화할 수 있는지 검토하는 것부터 시작합니다.