Label Studio

모든 프로젝트는 데이터 객체와 거기에 붙는 조작을 선언하는 설정 블록에서 시작한다. 이미지 위에 사각형 도구를 놓고, 전사문 위에 구간 도구를 놓거나, 같은 작업에 둘 다 올릴 수 있다. 손으로 고칠 수 있을 만큼 짧고, 앱이 검증할 수 있을 만큼 구조가 잡혀 있다. 첫 프로젝트를 마친 뒤에도 팀이 남는 이유가 이 유연성이다.

이미지와 텍스트, 오디오, 영상, HTML 페이지, 시계열 데이터가 같은 작업 모델을 통과한다. 콜센터 녹음은 한 화면에서 전사와 태깅을 함께 처리하고, 영상에는 프레임별 박스와 전사문을 같이 얹는다. Label Studio Enterprise는 3D 이미지와 LiDAR를 더한다. Community 판에는 이 둘이 없다.

템플릿 갤러리는 흔한 작업을 덮는다. 객체 탐지, 시맨틱 세그멘테이션, 개체명 인식, 질의응답, 감정 분석, 화자 분리, 문서 OCR이 있다. 각 템플릿은 화면 캡처가 아니라 실제로 돌아가는 설정이다. 하나를 골라 라벨만 바꾸면 되고, 화면을 처음부터 작성할 필요가 없다. 직접 무언가를 만들 때 읽을 거리로도 쓸 만하다.

ML 백엔드는 작업에 대한 예측을 돌려주는 작은 HTTP 서비스다. 연결하면 모델 출력이 사전 라벨로 나타나고, 라벨러는 이를 받아들이거나 고치거나 버린다. 빈 캔버스가 편집 작업으로 바뀌므로 보통 더 빠르고 편차도 작다. 신뢰도 점수를 함께 보내면 데이터 관리 화면에서 확신이 낮은 작업을 앞으로 정렬할 수 있다.

소스 스토리지는 Amazon S3와 Google Cloud Storage, Azure Blob Storage, Redis, 로컬 디렉터리에서 작업을 가져온다. 파일은 앱 안으로 복사하지 않고 서명된 URL로 제공한다. 타깃 스토리지는 어노테이션마다 JSON 파일을 되돌려 쓴다. 내보내기는 JSON, CSV, TSV, COCO, Pascal VOC, YOLO, CoNLL2003, ASR 매니페스트를 지원해 학습 주변의 연결 코드가 상당히 줄어든다.

REST API는 프로젝트와 작업, 어노테이션, 예측, 스토리지 연결을 열어 준다. Python SDK는 같은 엔드포인트를 감싸고, webhook은 어노테이션이 생성되거나 수정, 삭제될 때 외부 서비스에 알린다. 재학습을 걸거나 라벨을 데이터 웨어하우스로 동기화하거나, 라벨링 서비스 위에 얇은 사내 포털을 올리는 데 쓰인다.