시작 가이드

산업용 AI 개발 운영 플랫폼 DAISY
첫 단계부터 쉽게 알려드릴게요. 🚀

아하랩스에서 보내드린 이메일을 통해 먼저 회원가입과 로그인을 완료해주세요.
그리고 원클릭으로 함께 협업할 동료를 추가하고, 신규 프로젝트를 시작하세요.

데이터셋 업로드가 완료되면 프로젝트 캔버스에 데이터셋/라벨링/검수/학습 노드와 연결 선이 자동 추천됩니다.
완료/작업 중/미완료 작업들을 한 눈에 확인하고, 원클릭으로 작업을 시작하세요.

라벨링 노드를 클릭하면 라벨링 설정 팝업이 나타납니다. 먼저 목적에 맞는 라벨링 타입을 선택하세요.

Anomaly Detection/Segmentation: 픽셀 단위로 가장 정밀하게 라벨링 합니다. 모든 기본 제공 모델을 학습할 수 있습니다.
Object Detection: 이미지에 바운딩박스로 라벨링 합니다. Object Detection, Classification 모델을 학습할 수 있습니다.
Classification: 이미지에 단일/다중 태그를 달 수 있습니다. Classificaion 모델만 학습할 수 있습니다.

라벨러와 검수자를 선택하고 할당 수량을 입력하세요. 작업할 데이터가 자동으로 분배됩니다.

이제 다양한 자동화 도구를 활용해서 간편하게 라벨링하세요!

라벨 어시스턴트 : 이미지 1장을 수동으로 라벨링 하면 AI 모델이 다음 이미지를 자동 라벨링 해줍니다(2025년 상반기 출시 예정).
오토 픽셀 : 이미지 내 모든 오브젝트를 자동 분할합니다. 오브젝트를 간편하게 클릭해 클래스만 지정하세요.
매직완드 : 원클릭으로 유사한 색상의 인접 픽셀을 자동 선택할 수 있습니다.
스탬프 : 생성한 오브젝트를 다음 이미지의 동일한 위치에 복사-붙여넣기 합니다. 키보드 방향키로 위치만 이동시켜 더 빠르게 라벨링하세요.
라벨 불러오기 : 다양한 외부 라벨링 도구에서 작업한 클래스와 오브젝트를 그대로 가져와 모델을 더 빠르게 만드세요.

작업 완료 후 라벨러가 검수를 요청하면, 검수자는 원클릭으로 승인/반려할 수 있습니다. 수정할 사항을 간편하게 코멘트로 남겨서 라벨러와 플랫폼 안에서 실시간으로 협업하세요.

더 이상 이메일로 라벨 데이터를 주고받거나 메신저로 수정을 요청하지 않으셔도 됩니다.

각 모델이 최적으로 학습될 수 있도록 각종 파라미터가 미리 설정돼 있습니다. 모델을 간편하게 학습시키고 검증한 뒤, 보다 빠르게 최적화하세요.

Train Repetition Count(학습 반복 횟수): 학습 횟수가 너무 적으면 모델이 제대로 생성되지 않을 수 있고, 너무 많으면 과적합(overfitting)이 발생할 수 있습니다.
Model Size(모델 크기): 모델이 클수록 정보를 더 많이 가질 수 있지만, 추론 속도가 느려집니다.
Validation Rate(검증 데이터 비율): 데이터 중 얼만큼을 모델 검증용으로 쓸지 정합니다. 예컨대, 비율을 0.2로 입력하면 데이터 100장 중 80장은 학습, 20장은 검증용으로 사용됩니다.
Resize(크기 조정): 원본 이미지의 크기를 조정합니다. 더 많이 줄일수록 더 많은 정보가 손실됩니다. 세밀한 부분보다 이미지 전체에 집중하길 원하는 경우 이 기능을 활용하면 GPU 메모리와 학습 시간을 절약할 수 있습니다.
Evaluation Iteration(평가 주기): 학습을 몇번 반복(iteration)할 때마다 모델을 평가할지 지정합니다. 주기를 너무 짧게 하면 총 학습 시간이 늘어납니다.