T-Rex Label

대상 하나를 박스로 감싸면 T-Rex Label이 비슷한 나머지 객체를 해당 이미지에서, 또 배치 전체에서 찾는다. 이것이 핵심 흐름이며, 텍스트가 아니라 시각 프롬프트를 쓴다. 모델이 잘못 읽을 수 있는 요청을 문장으로 다듬는 시간이 들지 않는다. 특정 질감이나 별난 모양처럼 말로 설명하기 어려운 객체에 알맞다. 이 모드는 무료이고 T-Rex2와 그 업데이트 모델 위에서 돈다.

클래스 목록을 넘기면 DINO-X나 Grounding DINO 1.6 같은 오픈셋 검출 모델로 세트의 각 이미지를 스스로 라벨링한다. 이 모델들은 학습 세트 밖의 객체도 인식하므로, 닫힌 모델이라면 놓쳤을 희귀 항목도 라벨링할 수 있다. 규모를 위해 만든 모드다. 이미지 수와 모델로 요금이 매겨지므로 비용은 실행량을 따라간다. 새 데이터셋에서 첫 라벨링에 도달하는 가장 빠른 길이기도 하다.

바운딩 박스에 더해 T-Rex Label은 자동 마스크 라벨링을 갖췄다. 무료 스마트 분할 도구가 객체 윤곽을 따라간다. 동물 윤곽이나 겹친 부위처럼 사각형이 감당 못 하는 불규칙한 형태에 도움이 된다. 마스크 기능은 인터랙티브 라벨링 서비스 안에 있고, 플랫폼은 이를 커뮤니티에 무료로 유지한다. 처음 시작한 바운딩 박스 도구를 채워 주는 셈이다.

프롬프트 하나를 여러 이미지로 퍼뜨릴 수 있다. 이 확산이 큰 세트에서 속도를 만든다. 객체를 하나 표시하면 프롬프트가 다른 이미지로 옮겨 가고, 같은 단계를 매번 반복하지 않는다. 한 장씩 라벨링하는 것과 한 번에 데이터셋을 만드는 것의 차이가 여기에 있다. 인터랙티브 흐름에 곧바로 붙고 설정이 거의 필요 없다.

T-Rex Label은 널리 쓰는 데이터셋 형식을 읽고 쓴다. 그래서 컴퓨터 비전 파이프라인과 보조를 맞추고 옆으로 밀리지 않는다. 데이터 쪽으로는 Kaggle Datasets, Roboflow Universe, ModelScope, Hugging Face, Label Studio, FiftyOne 지원을 내세운다. 모델 쪽으로는 PyTorch, TensorFlow, Keras, Roboflow Train을 든다. 팀 입장에서는 라벨링한 데이터가 변환 없이 학습으로 넘어간다는 뜻이다. 도구가 기존 흐름에 끼는지, 옆에 서는지를 가르는 기능이기도 하다.

도구 전체가 브라우저에서 돈다. 로컬 설치도, 설정할 환경도, 챙길 유지보수도 없다. 새 팀원은 설정 시간 없이 몇 분 만에 라벨링을 시작한다. 여러 기기와 운영체제에 흩어진 팀이라면 데스크톱 라벨링 소프트웨어에서 흔한 마찰이 사라진다. 라벨링하는 사람이 엔지니어가 아닐 때 이 단순한 점이 힘을 발휘한다.