2D 바운딩박스 라벨링은 이미지나 영상에서 객체를 사각형 표시하는 작업으로, AI가 객체의 위치, 크기, 회전 등을 쉽게 파악하도록 도움을 줍니다.

이를 이용해 오브젝트가 충돌하는지 여부를 판단하거나, 오브젝트를 빠르게 그리거나 처리하는 등의 다양한 작업에 활용됩니다.

2D 폴리곤 라벨링은 훨씬 정확하게 객체에 속한

픽셀을 어노테이션 할 수 있는 기법이며,

객체 테두리의 모든 지점을 표시하여 규칙적이지

않은 형태의 객체를 정밀하게 선택할 수 있어

컴퓨터 그래픽, 게임 엔진, 자율주행 시스템 등

다양한 분야에서 활용됩니다.

오디오 어노테이션은 오디오 데이터에 대한 정보를 인공지능이 인식할 수 있게 분류하는 작업입니다.

인공지능이 오디오 데이터 속 음악, 동물, 환경 등의 특정 부분이나 특성을 찾아내서 다른 프로그램에 응용될 수 있도록 분석 및 추출하기 위해 사용됩니다.

2D 세그먼테이션 라벨링이란 이미지의 세부 정보 제공을 위해 여러 클래스로 분류하는 작업입니다.

지형과 객체와 같이 픽셀의 급격한 변화를 감지하여 식별하는 방법이며, 주로 로봇 공학, 의료 영상 분석, 자율 주행 등 다양한 분야에 응용될 수 있습니다.

3D 어노테이션은 AI 모델의 학습과 검증을 위해 3D모델의 특정 요소를 인식하고 분류하는 작업입니다.

2D 데이터보다 작업시간이 오래 걸리는 대신 깊이와 부피를 인식할 수 있으므로 정밀 데이터가 요구되는 의료, 자율주행, 제조업, 농업, 리테일 등 다양한 산업 분야에서 사용할 수 있습니다.

텍스트 어노테이션은 텍스트 데이터에 대한 정보를 인공지능이 인식할 수 있게 분류하는 작업입니다.

​인공지능이 텍스트 데이터 속에서 수요자가 원하는 정보의 값을 찾아내 다른 프로그램에 응용될 수 있도록 분석 및 추출하기 위해 사용됩니다.