docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,174 @@
|
||||
---
|
||||
id: wiki-2026-0508-segmentsai
|
||||
title: Segments.ai
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Segments.ai, segments-ai, CV Annotation Platform]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.85
|
||||
verification_status: applied
|
||||
tags: [computer-vision, annotation, labeling, dataset, mlops]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: segments-ai-sdk
|
||||
---
|
||||
|
||||
# Segments.ai
|
||||
|
||||
## 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.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 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.
|
||||
|
||||
### 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.
|
||||
|
||||
### 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).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Upload dataset
|
||||
```python
|
||||
from segments import SegmentsClient
|
||||
|
||||
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}},
|
||||
)
|
||||
```
|
||||
|
||||
### 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
|
||||
|
||||
sam = build_sam2("configs/sam2.1_hiera_l.yaml", "sam2_hiera_large.pt")
|
||||
predictor = SAM2ImagePredictor(sam)
|
||||
|
||||
predictor.set_image(image)
|
||||
masks, _, _ = predictor.predict(point_coords=[[x, y]], point_labels=[1])
|
||||
mask = masks[0].astype(np.uint8)
|
||||
|
||||
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}},
|
||||
)
|
||||
```
|
||||
|
||||
### 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
|
||||
```
|
||||
|
||||
### 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: [[MLOps]]
|
||||
- 응용: [[Robotics]]
|
||||
- Adjacent: [[Active Learning]]
|
||||
|
||||
## 🤖 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