Epigos AI

프로젝트에 이미지 묶음을 두고 보고, 정렬하고, 걸러낼 수 있다. 학습과 검증, 테스트 비율도 조정한다. 버전 관리가 이전 스냅숏을 보관하므로 재학습 때 비교 기준이 조용히 바뀌지 않는다. Python SDK를 쓰면 브라우저에서 파일을 끌어다 놓는 대신 스크립트로 업로드한다. 한 번짜리 실험과 반복 가능한 파이프라인의 차이가 여기서 갈린다.

편집기는 바운딩 박스와 카테고리 어노테이션을 지원하고, 학습에 들어가기 전에 두 번째 사람이 라벨을 검토하는 승인 단계가 있다. 기술 배경이 없는 사람에게 맡겨도 되는 구성이다. 그리고, 이름 붙이고, 보내고, 검토자가 승인한다. 이 단계의 속도가 일정을 정한다. 데이터 어노테이션이 작업 시간의 대부분을 잡아먹기 때문이다.

자동 라벨링은 GroundingDINO나 Florence-2, PaliGemma 같은 개방 어휘 모델을 이미지에 돌려 라벨을 제안한다. 한 장에도, 묶음 전체에도 실행할 수 있다. 힌트 라벨 몇 개로 방향을 잡아주고 결과를 승인하거나 고치면 된다. 무료 플랜을 포함한 모든 요금제에서 쓸 수 있다. 예외 사례에서 사람 검토를 대신하지는 못하지만 수천 장의 지루한 1차 분류는 확실히 줄여준다.

학습은 Epigos 하드웨어에서 돌고 실행마다 크레딧으로 과금된다. 자체 GPU 클러스터가 필요 없다. 라이브러리는 검증된 아키텍처에 집중하고, 작업 흐름은 실행, 관찰, 결과 비교, 원하는 버전 유지까지 전 과정을 덮는다. 인프라가 없는 팀에게는 가장 성가신 구축 작업이 사라진다는 뜻이다.

학습된 모델은 호스팅 엔드포인트로 제공되고 REST 요청이나 Python SDK로 호출한다. 돌아오는 값은 라벨과 신뢰도, 박스 좌표다. 내보내기는 더 멀리 간다. 같은 모델이 NVIDIA Jetson, iOS 기기, OAK 카메라, 라즈베리 파이, 브라우저에서 돈다. 카메라가 있는 곳에서 모델을 돌릴 수 있느냐는 단골 질문에 이 범위가 답이 된다.

팀에 라벨링할 시간이 없으면 Epigos가 라벨링 자체를 서비스로 판다. 자사 라벨러와 도메인 전문가가 공개된 보안 기준 아래 작업한다. 이미지를 보내면 라벨이 붙은 데이터셋이 돌아오고 엔지니어는 모델에 집중한다. 소프트웨어 구독을 외주 워크플로로 바꿔주는 부분이다.