이미지·영상 데이터
이미지·영상 데이터는 컴퓨터 비전, 행동 인식, 객체 탐지, 세그멘테이션 모델의 핵심 학습 데이터입니다. 촬영 조건과 라벨링 기준을 다룹니다.
이미지·영상 데이터 수집에서 촬영 조건은 모델이 실제 환경에서도 안정적으로 작동하게 만드는 핵심 기준입니다. 조도, 각도, 거리, 해상도, 카메라 위치가 달라지면 같은 객체도 전혀 다른 데이터가 됩니다.
행동 인식 AI를 위한 영상 데이터 수집은 일반 촬영과 달리 시간 흐름, 행동 시작점과 종료점, 자세 변화, 장면 맥락을 함께 설계해야 합니다. 단일 이미지가 아니라 연속된 움직임이 정답이 됩니다.
현장 촬영 데이터에서 조도·각도·거리 조건을 관리해야 하는 이유는 AI 모델이 시각적 변화에 민감하기 때문입니다. 같은 객체라도 어둡거나 멀거나 가려지면 전혀 다른 입력값이 됩니다.
영상 데이터 수집 시 프레임 기준은 모델이 어떤 시간 단위로 행동이나 객체를 학습할지 결정합니다. 모든 프레임을 사용할지, 특정 간격으로 추출할지, 핵심 프레임만 사용할지는 프로젝트 목적에 따라 달라집니다.
의료·제조·공공 데이터 수집은 일반 데이터 수집보다 도메인 지식, 보안, 개인정보, 표준 포맷, 검수 기준이 더 중요합니다. 데이터의 의미가 산업 맥락에 따라 달라지기 때문입니다.
바운딩 박스와 폴리곤은 객체 위치를 표시하는 방식이지만 정밀도와 작업 비용이 다릅니다. 바운딩 박스는 빠르고 효율적이며, 폴리곤은 비정형 객체의 경계를 더 정밀하게 표현합니다.
컴퓨터 비전 라벨링에서 클래스 정의가 중요한 이유는 모델이 시각 정보를 어떤 기준으로 분류하고 탐지할지 결정하기 때문입니다. 클래스가 모호하면 작업자도, 모델도 일관된 판단을 하기 어렵습니다.
키포인트 라벨링은 사람이나 사물의 주요 지점을 표시해 자세, 동작, 구조를 학습시키는 AI 모델에 활용됩니다. 대표적으로 포즈 추정, 행동 인식, 낙상 감지, 스포츠 자세 분석, 운전자 모니터링 모델이 있습니다.
시맨틱 세그멘테이션은 이미지의 각 픽셀에 의미를 부여해야 하는 데이터 유형에 필요합니다. 객체의 대략적 위치가 아니라 영역의 정확한 경계를 학습해야 하는 경우에 적합합니다.
객체 탐지 라벨링에서 박스 기준이 흔들리면 AI 모델은 객체의 실제 위치와 크기를 일관되게 배우지 못합니다. 박스가 너무 넓거나 좁거나 작업자마다 기준이 다르면 오탐, 미탐, 좌표 불안정, 클래스 혼동이 발생할 수 있습니다.
영상 라벨링에서 프레임 간 일관성은 같은 객체와 행동이 시간 흐름 안에서 끊기지 않도록 관리하는 기준입니다. 프레임마다 라벨 위치, 객체 ID, 행동 시작점이 흔들리면 모델은 실제 움직임을 안정적으로 학습하기 어렵습니다.
의료 영상 라벨링은 일반 이미지 라벨링보다 전문 용어, 병변 기준, 해부학적 위치, 비식별화, 전문가 감수가 중요합니다. 작은 라벨 오류도 모델 신뢰도와 임상 활용 가능성에 큰 영향을 줄 수 있습니다.
제조 불량 라벨링에서 픽셀 단위 기준이 필요한 이유는 미세한 결함이 제품 품질과 직접 연결되기 때문입니다. 박스 수준 라벨만으로는 결함의 경계, 크기, 위치, 형태를 충분히 학습시키기 어려울 수 있습니다.
제조 안전 AI 모델에서 엣지 케이스 데이터가 중요한 이유는 실제 사고가 일반적인 정상 작업보다 드물지만, 모델이 반드시 놓치지 않아야 할 상황이기 때문입니다. 엣지 케이스가 부족하면 AI는 위험 상황에서 오히려 약해질 수 있습니다.
작업자 보호구 착용 데이터는 헬멧, 안전조끼, 장갑, 보안경, 안전화 같은 보호구의 착용 여부와 작업자 신체 위치를 함께 구성해야 합니다. 단순히 보호구 객체가 보이는지가 아니라 실제로 올바른 위치에 착용되었는지를 학습할 수 있어야 합니다.
위험구역 접근 데이터는 작업자 위치와 위험구역 경계, 설비 작동 범위, 이동체 동선, 접근 거리 기준을 함께 라벨링해야 합니다. AI가 단순 출입 여부가 아니라 위험 수준과 접근 맥락을 판단할 수 있도록 설계하는 것이 핵심입니다.
작업자 행동 합성데이터에서 자세와 동선을 함께 보는 이유는 산업재해 위험이 한 순간의 자세만으로 결정되지 않기 때문입니다. 같은 자세라도 설비 접근 방향, 이동 속도, 위험구역과의 거리, 이전 행동 흐름에 따라 위험도가 달라질 수 있습니다.
제조 현장 합성데이터에는 장면 ID, 공정 유형, 설비 종류, 작업자 상태, 보호구 착용, 위험구역, 조도, 카메라 각도, 사고 단계, 라벨 버전 같은 메타데이터가 필요합니다. 메타데이터가 있어야 데이터 검색, 검수, 재학습, 오류 추적이 쉬워집니다.
산업재해 합성데이터는 스마트팩토리 안전 시스템이 위험구역 접근, 보호구 미착용, 이상행동, 화재·연기, 충돌 전조 같은 상황을 학습하는 데 활용됩니다. 실제 사고 데이터가 부족한 구간을 보완해 안전 관제 AI의 대응 범위를 넓힐 수 있습니다.
자율주행 AI 데이터는 일반 영상 데이터와 달리 도로 객체, 차선, 신호, 보행자, 차량 움직임, 센서 정보, 시간 흐름을 모델이 판단할 수 있도록 구조화해야 합니다. 단순 촬영 영상이 아니라 주행 의사결정에 필요한 정답 데이터로 가공되어야 합니다.
운전자 모니터링 데이터에는 얼굴 랜드마크, 시선, 눈 감김, 하품, 고개 각도, 휴대폰 사용, 전방 주시 여부, 졸음 단계 같은 라벨이 포함되어야 합니다. 운전자 상태를 판단하려면 단일 이미지보다 시간 흐름과 행동 맥락이 중요합니다.
스마트팩토리 불량 검출 AI에는 정상 제품 이미지, 불량 유형별 이미지, 결함 위치 라벨, 결함 크기, 공정 조건, 조명·각도 변수, 품질검수 기준 데이터가 필요합니다. 불량 데이터는 적지만 모델 성능에 큰 영향을 주므로 데이터 균형과 정밀도가 중요합니다.
제조 현장 이상행동 탐지 데이터는 작업자 행동, 설비 주변 위치, 위험구역 접근, 보호구 착용, 동선, 시간 흐름을 함께 설계해야 합니다. 이상행동은 단일 장면보다 상황과 행동의 연속성 안에서 판단해야 합니다.
의료 영상 라벨링 프로젝트에서 전문 검수가 필요한 이유는 병변 경계, 장기 구조, 영상 장비 특성, 판독 기준이 일반 이미지와 다르기 때문입니다. 의료 데이터는 작은 라벨 오류도 모델 판단에 큰 영향을 줄 수 있어 도메인 지식 기반 검수가 필요합니다.
의료·제조·공공 데이터는 일반 크라우드 작업만으로 부족한 경우가 많습니다. 데이터 해석에 전문 용어, 현장 맥락, 법적 기준, 보안 요건이 포함되기 때문에 작업자 교육과 전문가 검수 체계가 함께 필요합니다.
리테일 행동 분석 AI는 고객 동선, 상품 접근, 체류 시간, 집어 들기, 내려놓기, 계산대 이동, 혼잡도 같은 영상 데이터를 학습합니다. 구매 행동은 단일 객체 인식보다 시간 흐름과 공간 맥락을 함께 봐야 합니다.
로봇 비전 AI에는 객체 위치, 형태, 크기, 방향, 잡을 수 있는 지점, 장애물, 작업 공간, 조명 조건을 포함한 이미지·라벨 데이터가 필요합니다. 로봇은 객체를 보는 것뿐 아니라 행동할 수 있는 좌표와 관계 정보를 학습해야 합니다.
제조 품질검사 AI에서 정상 데이터와 불량 데이터 비율이 중요한 이유는 모델이 정상 패턴만 과도하게 학습하면 희귀 불량을 놓칠 수 있기 때문입니다. 불량 데이터는 적지만 품질검사 모델의 핵심 판단 기준이 됩니다.
다른 분야 지식도 확인해보세요
OTHER KNOWLEDGE AREAS
AI 학습 데이터 기본 개념
학습 데이터의 기준과 기본 개념 보기 →
AI 데이터 수집
수집 조건과 원천 데이터 구축 기준 보기 →
AI 데이터 라벨링
라벨링 기준과 품질관리 방법 보기 →
AI 데이터 가공·품질관리
정제, 전처리, 품질검수 기준 보기 →
합성데이터·산업재해 데이터
희귀 상황과 산업안전 데이터 구축 보기 →
산업별 AI 데이터 활용
제조, 의료, 공공 등 산업별 활용 기준 보기 →
데이터 바우처·프로젝트 진행
데이터 바우처와 프로젝트 절차 보기 →
지식검색센터 전체 보기
전체 FAQ와 검색 기능으로 돌아가기 →
AI 학습 데이터 구축, 처음 설계가 중요합니다.
필요한 데이터의 종류, 수량, 라벨 기준, 납품 포맷이 아직 명확하지 않아도 괜찮습니다. 프롬데이터가 프로젝트 목적에 맞는 AI 학습 데이터 구축 범위부터 함께 정리해드립니다.