데이터셋 라벨링 도구
객체 탐지 및 분류 특화 모델 학습용 데이터셋 라벨링·검수·export 통합 웹 도구. PC급 서버에서 다중 접속, COCO 포맷 지원.
제품 소개
데이터셋 라벨링·검수·export 워크플로 통합
객체 탐지·분류 특화 모델 학습을 위한 데이터셋 라벨링·검수·export 워크플로를 단일 웹 도구로 통합합니다. 영상 업로드부터 자동 프레임 추출, 사전 라벨링, 사람 검수, COCO JSON export 까지 한 인터페이스에서 처리합니다. FastAPI + SQLite 백엔드와 SolidJS + Vite 프론트엔드 구조로 PC급 서버에서도 가볍게 동작하며, 여러 검수자가 동시에 접속해 작업할 수 있습니다. 실시간 진행률·통계는 SSE 로 푸시합니다.
자체 객체 탐지 모델 사전 라벨링 + TensorRT 가속 추론
자체 훈련한 객체 탐지 모델로 업로드된 영상 프레임을 자동 라벨링합니다. mAP50:95 0.7502 / mAP50 0.8430 의 정확도로 사람의 사전 작업 부담을 크게 줄이고, ONNX Runtime GPU + TensorRT 10.16 EP 가속으로 37~45 img/s 처리 속도를 확보합니다. 자동 라벨링 결과는 검수 단계로 자동 전달되어 검수자는 수정과 확정만 수행하면 됩니다.
사람 검수 워크플로
모든 이미지는 pending → in_review → completed / rejected 4단계 상태를 거칩니다. 검수자는 자동 라벨링 결과 위에 bounding box 수정·클래스 변경·신규 박스 추가를 수행하고, 검수 완료 시점에 분류 라벨을 확정합니다. 다중 검수자 동시 운영을 위한 세션 인증과 검수자별 할당 큐를 제공합니다.
재훈련 사이클과 양쪽 배포
검수 완료 이미지가 누적되면 COCO JSON zip 으로 export 하여 GPU 훈련 서버(2× RTX 8000) 에서 객체 탐지 모델 재훈련을 수행합니다. 약 1시간 45분에 80 epoch 완료 후 산출물(PyTorch 가중치·ONNX·메타) 을 라벨링 서버와 운영 추론 서버 양쪽에 동기 배포합니다. 현장 시나리오 클립으로 새 모델의 검출 성능을 즉시 검증합니다.
워크 플로우
- 1
영상 업로드 및 자동 프레임 추출
RTSP 다채널 클립 또는 mp4 파일을 업로드하면 백그라운드 태스크가 자동으로 프레임 추출과 perceptual hash 기반 중복 제거를 수행합니다. 추출 진행률은 SSE 로 실시간 표시되어 대규모 업로드에서도 작업 상태를 즉시 확인할 수 있습니다.
- 2
자체 모델 자동 라벨링
추출된 프레임에 자체 객체 탐지 모델이 TensorRT FP16 가속으로 25 클래스를 사전 라벨링합니다. 37~45 img/s 처리 속도로 수천 프레임도 단시간에 처리되며, 결과는 곧바로 검수 큐로 흘러갑니다.
- 3
사람 검수
검수자는 pending 큐에서 이미지를 받아 자동 라벨링 결과를 확인하고 수정합니다. pending → in_review → completed (또는 rejected) 상태 전이를 단축키로 빠르게 진행할 수 있으며, 분류 라벨도 동일 화면에서 확정합니다.
- 4
검수 완료 조회와 COCO Export
완료 상태 이미지는 검수자·기간·클래스별로 다시 조회할 수 있고, COCO JSON 형식으로 zip 패키지화하여 export 합니다. info.yaml 메타데이터와 함께 공유 저장소로 자동 업로드되어 GPU 훈련 서버에서 즉시 활용할 수 있습니다.
- 5
객체 탐지 모델 재훈련
GPU 훈련 서버(2× RTX 8000) 에서 객체 탐지 모델을 재훈련합니다. 약 1시간 45분에 80 epoch 완료. 산출물은 PyTorch 가중치, ONNX, 모델 메타로 구성됩니다.
- 6
라벨링 + 운영 서버 양쪽 배포
라벨링 서버에는 ONNX + PyTorch 가중치 + 모델 메타를, 운영 추론 서버에는 보호 처리된 모델 패키지 + TensorRT 캐시를 동시 배포합니다. 새 모델 기준으로 오탐·미탐·클래스 혼동을 각 5장씩 미검수 상태로 되돌려 다음 평가 사이클로 자연스럽게 이어집니다.
주요 기능
응용별 클래스 구성
객체 탐지·분류 클래스를 응용 목적에 맞게 정의해 단일 모델에서 처리합니다. 클래스 구성과 개수는 데이터셋과 과제에 따라 자유롭게 조정할 수 있습니다.
TensorRT FP16 추론 가속
ONNX Runtime GPU + TensorRT 10.16 EP 의 FP16 가속 추론으로 37~45 img/s. CPU PyTorch 대비 10배 이상 처리 속도로 수천 프레임 사전 라벨링이 실용 시간 안에 끝납니다.
SolidJS + Vite 반응형 UI
SolidJS 1.9.5 + Vite 6 + TailwindCSS 4 스택으로 가벼운 빌드(번들 ~165 KB gzip) 와 빠른 hot reload. 다중 검수자 동시 운영에서도 SSE 기반 실시간 진행률·통계 푸시로 화면 끊김이 없습니다.
FastAPI + SQLite WAL 이중 DB
데이터셋 DB와 사용자/세션 DB를 분리해 검수 트래픽이 인증 latency 에 영향 주지 않도록 설계. SQLite WAL 모드로 다중 검수자 동시 쓰기를 안정적으로 처리합니다.
COCO JSON Export + 자동 backfill
검수 완료 이미지를 COCO JSON 형식 zip 으로 export. 썸네일·진행률 캐시는 백그라운드 태스크가 자동 backfill 해 첫 화면 로딩 대기가 없습니다.
현장 시나리오 검증
RTSP 다채널 시나리오 클립을 자동 ingest 하여 새 모델의 시나리오별 검출 성능을 한 곳에서 확인합니다.
기술 사양
- 모델
- 트랜스포머 기반 실시간 객체 탐지 (자체 훈련)
- 추론 엔진
- ONNX Runtime GPU + TensorRT 10.16 (FP16)
- 추론 속도
- 37~45 img/s (TensorRT EP 기준)
- 클래스 구성
- 응용 목적에 맞게 정의 (다중 클래스 객체 탐지·분류)
- 평가 지표
- mAP50:95 0.7502 · mAP50 0.8430 (2,053 train / 241 val)
- 백엔드
- FastAPI · SQLite WAL 이중 DB · Python 3.12 · uvicorn
- 프론트엔드
- SolidJS 1.9.5 · Vite 6 · TailwindCSS 4 (pnpm)
- Export 포맷
- COCO JSON zip (검수 완료 이미지)