Voxel51의 새로운 자동 라벨링 기술, 주석 비용을 100,000만 배까지 절감할 수 있다고 약속

컴퓨터 비전 스타트업의 획기적인 새로운 연구 복셀 51 기존의 데이터 주석 모델이 곧 뒤집힐 것이라는 주장이 제기되고 있습니다. 오늘 발표된 연구 결과에 따르면, 회사는 새로운 자동 라벨링 시스템이 인간 수준의 정확도를 최대 95%까지 달성하는 동시에 기존 시스템보다 5,000배 빠르고 최대 1배 더 빠르다고 보고했습니다.00,000배 저렴 수동으로 라벨을 붙이는 것보다.

이 연구는 COCO, LVIS, BDD100K, VOC 등 잘 알려진 데이터셋을 기반으로 YOLO-World 및 Grounding DINO와 같은 기반 모델을 벤치마킹했습니다. 놀랍게도, 많은 실제 상황에서 AI가 생성한 레이블로만 학습한 모델이 사람이 생성한 레이블로 학습한 모델과 동등하거나 심지어 더 나은 성능을 보였습니다. 컴퓨터 비전 이 시스템을 도입하면 엄청난 효과가 있습니다. 수백만 달러에 달하는 주석 비용을 절감할 수 있고, 모델 개발 주기를 몇 주에서 몇 시간으로 단축할 수 있습니다.

주석의 새로운 시대: 수동 작업에서 모델 기반 파이프라인으로

수십 년 동안, 데이터 주석 AI 개발에 있어 골치 아픈 병목 현상이었습니다. ImageNet부터 자율주행차 데이터셋에 이르기까지, 여러 팀은 경계 상자를 그리고 객체를 분할하기 위해 엄청난 인력을 투입해 왔습니다. 이러한 노력은 비용도 많이 들고 시간도 오래 걸립니다.

기존의 논리는 간단했습니다. '인간이 분류한 데이터가 많을수록 AI가 더 좋다'는 것이었죠. 하지만 Voxel51의 연구는 그 가정을 완전히 뒤집습니다.

그들의 접근 방식은 사전 훈련된 기초 모델을 활용합니다. 제로 샷 기능을 통합하여 일상적인 라벨링 작업을 자동화하는 파이프라인에 통합하고, 능동 학습을 통해 불확실하거나 복잡한 사례를 사람이 검토할 수 있도록 플래그를 지정합니다. 이 방법은 시간과 비용을 획기적으로 절감합니다.

한 테스트에서는 NVIDIA L3.4S GPU를 사용하여 40만 개의 객체에 레이블을 지정하는 데 한 시간 남짓 걸렸고 비용은 1.18달러였습니다. AWS SageMaker를 사용하여 같은 작업을 수동으로 수행하려면 거의 7,000시간이 걸렸고 비용은 124,000달러가 넘었을 것입니다. COCO 또는 LVIS 데이터세트에서 희귀 범주를 식별하는 것과 같이 특히 어려운 경우에는 자동 레이블링 모델이 가끔씩 상회 인간이 레이블을 붙인 모델과 비교했을 때, 이러한 놀라운 결과는 기초 모델의 일관된 레이블링 패턴과 대규모 인터넷 데이터에 대한 학습에서 비롯된 것으로 보입니다.

Voxel51 내부: 시각적 AI 워크플로를 재구성하는 팀

에 의해 2016년에 설립 된 제이슨 코르소 교수 그리고 브라이언 무어 미시간 대학교에서 Voxel51은 원래 비디오 분석에 중점을 둔 컨설팅 회사로 시작했습니다. 컴퓨터 비전 및 로봇 공학 분야의 베테랑인 코르소는 150편 이상의 학술 논문을 발표했으며 AI 커뮤니티에 광범위한 오픈소스 코드를 제공하고 있습니다. 코르소의 박사 과정생이었던 무어는 현재 CEO를 맡고 있습니다.

전환점은 팀이 대부분의 AI 병목 현상이 모델 설계가 아니라 데이터에 있다는 것을 깨달았을 때 찾아왔습니다. 이러한 통찰력은 그들에게 쉰한엔지니어가 시각적 데이터 세트를 보다 효율적으로 탐색, 정리, 최적화할 수 있도록 설계된 플랫폼입니다.

수년에 걸쳐 회사는 $ 45M포함 12.5 만 달러 시리즈 A 및 $ 30M 시리즈 B Bessemer Venture Partners가 주도했습니다. 이후 LG전자, Bosch, Berkshire Grey, Precision Planting, RIOS 등 주요 고객사들이 Voxel51의 도구를 자사 프로덕션 AI 워크플로에 통합하면서 기업 도입이 이어졌습니다.

도구에서 플랫폼으로: FiftyOne의 확장되는 역할

FiftyOne은 단순한 데이터셋 시각화 도구에서 포괄적인 데이터 중심 AI 플랫폼으로 성장했습니다. COCO, Pascal VOC, LVIS, BDD100K, Open Images 등 다양한 형식과 레이블링 스키마를 지원하며 TensorFlow 및 PyTorch와 같은 프레임워크와 완벽하게 통합됩니다.

FiftyOne은 단순한 시각화 도구가 아닌, 중복 이미지 검색, 잘못 분류된 샘플 식별, 이상치 표면화, 모델 실패 모드 측정 등 고급 작업을 지원합니다. 플러그인 생태계는 광학 문자 인식, 비디오 질의응답, 임베딩 기반 분석을 위한 맞춤형 모듈을 지원합니다.

엔터프라이즈 버전인 FiftyOne Teams는 버전 관리, 액세스 권한, 클라우드 스토리지(예: S3)와의 통합 등 협업 기능과 Labelbox 및 CVAT와 같은 주석 도구를 제공합니다. 특히 Voxel51은 V7 Labs와 협력 데이터세트 큐레이션과 수동 주석 간의 흐름을 간소화합니다.

주석 산업 재고

Voxel51의 자동 라벨링 연구는 거의 1억 달러 규모의 주석 산업을 뒷받침하는 기존 가정에 도전장을 내밉니다. 기존 워크플로에서는 모든 이미지에 사람이 직접 작업해야 하는데, 이는 비용이 많이 들고 종종 중복되는 과정입니다. Voxel51은 이제 이러한 노동력의 대부분을 없앨 수 있다고 주장합니다.

이 시스템을 사용하면 대부분의 이미지에 AI가 레이블을 지정하고, 예외적인 경우에만 사람에게 전달합니다. 이러한 하이브리드 전략은 비용을 절감할 뿐만 아니라, 가장 어렵거나 가치 있는 주석 작업에 사람의 노력을 집중시켜 전반적인 데이터 품질을 향상시킵니다.

이러한 변화는 AI 분야의 보다 광범위한 추세와 일치합니다. 데이터 중심 AI—모델 아키텍처를 끝없이 조정하는 것보다는 훈련 데이터를 최적화하는 데 중점을 두는 방법론입니다.

경쟁 환경 및 업계 반응

Bessemer와 같은 투자자들은 Voxel51을 AI를 위한 "데이터 오케스트레이션 계층"으로 봅니다. DevOps (개발 운영) 도구는 소프트웨어 개발을 혁신했습니다. 이들의 오픈소스 도구는 수백만 건의 다운로드를 기록했으며, 커뮤니티에는 전 세계 수천 명의 개발자와 머신러닝 팀이 참여하고 있습니다.

Snorkel AI, Roboflow, Activeloop 등 다른 스타트업들도 데이터 워크플로에 집중하는 반면, Voxel51은 폭넓은 범위, 오픈 소스 정신, 그리고 엔터프라이즈급 인프라로 두각을 나타냅니다. Voxel51 플랫폼은 애노테이션 제공업체와 경쟁하기보다는, 선택적 큐레이션을 통해 기존 서비스의 효율성을 높여주는 보완적인 역할을 합니다.

미래의 의미

장기적인 영향은 매우 큽니다. 널리 채택된다면, 복셀 51'의 방법론은 컴퓨터 비전 분야의 진입 장벽을 획기적으로 낮추어, 막대한 라벨링 예산이 부족한 신생 기업과 연구자들에게 이 분야를 대중화할 수 있습니다.

비용 절감 외에도 이 접근 방식은 다음을 위한 기반을 마련합니다. 지속적인 학습 시스템생산 중인 모델이 자동으로 실패를 표시하고, 이를 검토하여 다시 레이블을 지정하고 훈련 데이터에 다시 접목합니다. 이 모든 과정은 동일한 조정된 파이프라인 내에서 이루어집니다.

이 회사의 더 넓은 비전은 AI가 진화하는 방식과 일치합니다. 단순히 더 스마트한 모델뿐 아니라 더 스마트한 워크플로우를 지향합니다. 이러한 비전에서 주석 처리는 완전히 사라진 것은 아니지만, 더 이상 무차별 대입 작업의 영역이 아닙니다. 전략적이고, 선별적이며, 자동화를 통해 구동됩니다.