[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,67 +1,175 @@
|
||||
---
|
||||
id: wiki-2026-0508-segmentsai
|
||||
title: Segmentsai
|
||||
title: Segments.ai
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-A08DC7]
|
||||
aliases: [Segments.ai, segments-ai, CV Annotation Platform]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
tags: [auto-reinforced]
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [computer-vision, annotation, labeling, dataset, mlops]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Segmentsai"
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: segments-ai-sdk
|
||||
---
|
||||
|
||||
# [[Segmentsai|Segmentsai]]
|
||||
# Segments.ai
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> Segments.ai는 수백만 개의 3D 포인트와 원활하게 상호작용할 수 있는 기능을 제공하는 3D 분할(segmentation) 플랫폼이자 라이다(LiDAR) 포인트 클라우드 라벨링 도구입니다 [1, 2]. 2025년에서 2026년 사이에 렌더링 파이프라인을 [[WebGL|WebGL]]에서 [[WebGPU|WebGPU]]로 성공적으로 전환하여 100배의 성능 향상을 달성했습니다 [1, 3]. 이 플랫폼은 깊은 그래픽스 전문 지식 없이도 Three.js를 활용하여 특화된 성능 최적화를 구현한 대표적인 사례입니다 [2].
|
||||
## 매 한 줄
|
||||
> **"매 computer vision 매 labeling platform — 2D/3D segmentation, point cloud, AI-assisted"**. 매 production tool for multi-modal CV datasets — 매 SAM 2 integration, lidar cuboid, semantic/instance/panoptic segmentation. 매 alternative: Roboflow, Scale AI, Labelbox, CVAT.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
* **라이다(LiDAR) 포인트 클라우드 라벨링 도구:** Segments.ai는 방대한 3D 포인트 클라우드 데이터를 처리하고 라벨링하는 도구를 제공하는 3D 분할 플랫폼입니다 [1].
|
||||
* **WebGPU로의 성공적인 마이그레이션:** 2025년과 2026년 사이에 기존의 WebGL 기반 시스템에서 Three.js의 WebGPURenderer를 사용하는 WebGPU 환경으로 성공적으로 마이그레이션했습니다 [1, 2]. 이 프로젝트는 크리에이티브 스튜디오인 [[Utsubo|Utsubo]]의 작업 포트폴리오에도 주요 성과로 포함되어 있습니다 [3].
|
||||
* **100배의 성능 향상(100x performance boost):** WebGPU로의 전환을 통해 기존 대비 100배에 달하는 극적인 성능 향상을 이뤄냈습니다 [1-3].
|
||||
* **대규모 데이터 처리의 효율성 확보:** 이러한 렌더링 성능 개선 덕분에 수백만 개의 점으로 구성된 방대한 데이터셋에서도 끊김 없이 부드럽고 원활한 상호작용(seamless interaction)이 가능해졌습니다 [1, 2].
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
### 매 Modalities
|
||||
- **2D**: Bounding box, polygon, semantic, instance, panoptic, keypoint.
|
||||
- **3D point cloud**: 매 cuboid, segmentation (autonomous driving).
|
||||
- **Multi-sensor**: 매 synced lidar + camera (매 AV use case).
|
||||
- **Image sequence / video**: 매 tracking 가 supported.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- **Related Topics:** [[WebGPU|WebGPU]], Three.js, [[WebGL|WebGL]], LiDAR point cloud
|
||||
- **Projects/Contexts:** [[Utsubo|Utsubo]], Three.js WebGPU 마이그레이션 사례
|
||||
- **Contradictions/Notes:** 소스에 관련하여 모순되는 정보는 없습니다.
|
||||
### 매 AI-assisted
|
||||
- 매 SAM 2 integration: 매 click → instance mask.
|
||||
- 매 model-in-the-loop: 매 your trained model 매 pre-label → human correct.
|
||||
- 매 active learning: 매 uncertain samples 매 priority queue.
|
||||
|
||||
---
|
||||
*Last updated: 2026-04-19*
|
||||
### 매 Dataset export
|
||||
- COCO, YOLO, Pascal VOC, Cityscapes formats.
|
||||
- HuggingFace `datasets` integration.
|
||||
- 매 versioning: 매 release immutable snapshots.
|
||||
|
||||
---
|
||||
### 매 응용
|
||||
1. Autonomous driving lidar+camera labeling.
|
||||
2. Medical imaging segmentation.
|
||||
3. Robotics grasp annotation.
|
||||
4. Pre-training dataset curation (매 SAM bootstrap).
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
## 💻 패턴
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### Upload dataset
|
||||
```python
|
||||
from segments import SegmentsClient
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
client = SegmentsClient(api_key="YOUR_KEY")
|
||||
dataset = client.add_dataset(
|
||||
name="my-org/road-scenes",
|
||||
task_type="segmentation-bitmap",
|
||||
description="Highway driving scenes",
|
||||
)
|
||||
for img_path in image_paths:
|
||||
asset = client.upload_asset(open(img_path, "rb"), filename=img_path.name)
|
||||
client.add_sample(
|
||||
dataset_identifier="my-org/road-scenes",
|
||||
name=img_path.name,
|
||||
attributes={"image": {"url": asset.url}},
|
||||
)
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Pre-label with SAM 2
|
||||
```python
|
||||
from segments.utils import bitmap2file
|
||||
import numpy as np
|
||||
from sam2.build_sam import build_sam2
|
||||
from sam2.sam2_image_predictor import SAM2ImagePredictor
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
sam = build_sam2("configs/sam2.1_hiera_l.yaml", "sam2_hiera_large.pt")
|
||||
predictor = SAM2ImagePredictor(sam)
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
predictor.set_image(image)
|
||||
masks, _, _ = predictor.predict(point_coords=[[x, y]], point_labels=[1])
|
||||
mask = masks[0].astype(np.uint8)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
bitmap_file = bitmap2file(mask, is_segmentation_bitmap=True)
|
||||
asset = client.upload_asset(bitmap_file, filename="mask.png")
|
||||
client.add_label(
|
||||
sample_uuid=sample.uuid,
|
||||
labelset="ground-truth",
|
||||
attributes={"format_version": "0.1", "annotations": [...], "segmentation_bitmap": {"url": asset.url}},
|
||||
)
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
### Active learning loop
|
||||
```python
|
||||
def active_learning_round(model, unlabeled_samples, k=100):
|
||||
scores = []
|
||||
for s in unlabeled_samples:
|
||||
img = load_image(s.attributes["image"]["url"])
|
||||
logits = model.predict(img)
|
||||
entropy = -(logits.softmax(-1) * logits.log_softmax(-1)).sum()
|
||||
scores.append((s, entropy.item()))
|
||||
top = sorted(scores, key=lambda x: -x[1])[:k]
|
||||
for s, _ in top:
|
||||
client.update_sample(s.uuid, priority=10) # 매 high priority
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Export to HuggingFace
|
||||
```python
|
||||
from segments.huggingface import release2dataset
|
||||
|
||||
release = client.add_release("my-org/road-scenes", name="v1.0")
|
||||
hf_dataset = release2dataset(release)
|
||||
hf_dataset.push_to_hub("my-username/road-scenes-v1")
|
||||
```
|
||||
|
||||
### 3D point cloud cuboid
|
||||
```python
|
||||
client.add_sample(
|
||||
dataset_identifier="my-org/lidar",
|
||||
name="frame_001",
|
||||
attributes={
|
||||
"pcd": {"url": "s3://.../frame_001.pcd", "type": "pcd"},
|
||||
"ego_pose": {"position": {"x": 0, "y": 0, "z": 0}, "heading": {...}},
|
||||
"default_z": -1.5,
|
||||
},
|
||||
)
|
||||
```
|
||||
|
||||
### Webhook-driven CI
|
||||
```python
|
||||
# Flask endpoint receiving Segments.ai webhook
|
||||
@app.post("/segments-webhook")
|
||||
def on_label_finalized(req):
|
||||
event = req.json
|
||||
if event["action"] == "labelset.released":
|
||||
trigger_training_pipeline(release_uuid=event["release"]["uuid"])
|
||||
return {"ok": True}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Multi-modal AV (lidar+cam) | 매 Segments.ai 또는 Scale AI |
|
||||
| 2D bbox only | 매 Roboflow (cheaper) |
|
||||
| Self-host required | 매 CVAT |
|
||||
| Enterprise ops | 매 Labelbox |
|
||||
| Quick prototype | 매 Roboflow / LabelStudio |
|
||||
|
||||
**기본값**: 매 lidar+camera 면 Segments.ai, 매 2D-only 면 Roboflow.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Data Annotation]] · [[MLOps]]
|
||||
- 변형: [[Roboflow]] · [[Scale AI]] · [[Labelbox]] · [[CVAT]]
|
||||
- 응용: [[Autonomous Driving Datasets]] · [[Medical Imaging]] · [[Robotics]]
|
||||
- Adjacent: [[SAM 2]] · [[Active Learning]] · [[HuggingFace Datasets]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 production CV labeling pipeline, 매 multi-modal sensor fusion dataset.
|
||||
**언제 X**: 매 LLM text labeling (Argilla 사용), 매 small one-off (LabelStudio OSS).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **No version control**: 매 release snapshot 무시 → 매 reproducibility 불가.
|
||||
- **Manual-only labeling**: 매 SAM pre-label 무시 → 10× slower.
|
||||
- **Skip QA**: 매 reviewer-disagreement metric 무시 → noisy labels.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (segments.ai docs, Python SDK v1.x).
|
||||
- 신뢰도 B+ (commercial product, 매 docs 매 reliable but 매 non-academic).
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — SAM 2, active learning, lidar workflow |
|
||||
|
||||
Reference in New Issue
Block a user