새로운 Ultralytics YOLO11 모델을 인스턴스 분할에 사용하여 폐기물 관리 및 플레어 모니터링과 같은 애플리케이션에서 더 높은 정밀도를 달성하는 방법을 이해하세요.
YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
새로운 Ultralytics YOLO11 모델을 인스턴스 분할에 사용하여 폐기물 관리 및 플레어 모니터링과 같은 애플리케이션에서 더 높은 정밀도를 달성하는 방법을 이해하세요.
기계가 시각 정보를 해석하고 이해하도록 돕는 인공 지능(AI) 분야인 컴퓨터 비전은 인스턴스 분할과 같은 작업을 가능하게 합니다. 인스턴스 분할은 이미지 또는 비디오 프레임을 분석하여 이미지 내에서 동일한 유형의 여러 객체가 있는 경우에도 각 개별 객체의 정확한 경계를 표시하는 데 사용할 수 있습니다. 높은 수준의 정밀도를 통해 인스턴스 분할은 자율 주행 자동차가 도로에서 장애물을 감지하는 데 도움을 주는 것부터 의료 스캔에서 종양을 식별하는 데 이르기까지 광범위한 응용 분야를 가지고 있습니다.
수년에 걸쳐 인스턴스 분할(instance segmentation)은 크게 발전해 왔습니다. 최근 Ultralytics의 연례 하이브리드 행사인 YOLO Vision 2024 (YV24)에서 Ultralytics YOLO11 모델이 새롭게 소개되었습니다. 이 새로운 모델은 Ultralytics YOLOv8 모델과 동일한 컴퓨터 비전 작업(인스턴스 분할 포함)을 지원하므로, 이전 버전에 익숙한 사용자들은 새로운 모델을 원활하게 도입할 수 있습니다.
이번 글에서는 인스턴스 분할과 의미론적 분할과 같은 다른 컴퓨터 비전 작업과 어떻게 다른지 살펴보고 몇 가지 응용 분야에 대해 논의합니다. 또한 Ultralytics Python 패키지 및 Ultralytics HUB 플랫폼을 사용하여 YOLO11 인스턴스 분할 모델을 사용하는 방법을 안내합니다. 그럼 시작해 볼까요!
인스턴스 분할은 이미지에서 객체를 식별하고 픽셀 수준에서 윤곽선을 그리는 데 사용할 수 있습니다. 이 프로세스에는 일반적으로 먼저 객체를 감지하고 주변에 경계 상자를 그리는 작업이 포함됩니다. 그런 다음 분할 알고리즘은 경계 상자 내의 각 픽셀을 분류하여 각 객체에 대한 정확한 마스크를 만듭니다.
인스턴스 분할은 또한 시맨틱 분할 및 전경 분할과 같은 작업과 다릅니다. 시맨틱 분할은 개별 인스턴스를 구별하지 않고 객체의 일반적인 범주에 따라 각 픽셀에 레이블을 지정합니다. 반면에 전경 분할은 각 픽셀에 클래스 및 인스턴스 ID를 모두 레이블링하여 인스턴스 및 시맨틱 분할을 결합하여 각 범주 내에서 개별 객체를 식별합니다.
개체 인스턴스 분할 기능은 서로 다른 모델이 필요할 수 있는 다양한 시나리오에 적용할 수 있습니다. 예를 들어, 경량 모델은 모바일 애플리케이션의 실시간 처리에 이상적일 수 있는 반면, 보다 복잡한 모델은 제조 분야의 품질 관리와 같은 고정밀 작업에 사용될 수 있습니다.
이전 모델과 마찬가지로 YOLO11 인스턴스 분할 모델 또한 필요에 따라 여러 가지 변형이 제공됩니다. 이러한 변형에는 YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large) 및 YOLO11x-seg (Extra Large)가 포함됩니다. 이러한 모델은 크기, 처리 속도, 정확도 및 필요한 컴퓨팅 파워의 양이 서로 다릅니다. 특정 요구 사항에 따라 애플리케이션에 가장 적합한 모델을 선택할 수 있습니다.
YOLO11의 고급 인스턴스 분할 기능은 다양한 산업 분야에서 광범위한 응용 분야를 열어줍니다. 이러한 응용 분야를 자세히 살펴보겠습니다.
석유 및 가스 추출은 극심한 압력 변동을 관리하는 것을 포함합니다. 가스 플레어링과 같은 기술은 석유 추출 중에 생성되는 천연 가스를 태워 없애는 데 도움이 됩니다. 이는 안전상의 이유로 필요합니다. 예를 들어 원유 추출 시 갑작스럽거나 심각한 압력 급증은 폭발로 이어질 수 있습니다. 드물기는 하지만 석유 및 가스 제조 부문의 산업 재해는 억제하고 통제하기 어려운 강렬한 화재를 초래할 수 있습니다. 가스 플레어링은 작업자가 과도한 가스를 태워 장비의 압력을 안전하게 낮추고 예측할 수 없는 큰 압력 변동을 관리하는 데 도움이 됩니다.
AI 시스템은 이러한 모니터링 프로세스를 개선할 수 있으며, 인스턴스 분할 기반의 플레어 모니터링 시스템을 사용하면 사고 위험을 줄일 수 있습니다. 가스 모니터링 플레어링은 환경에 부정적인 영향을 미칠 수 있으므로 환경적인 이유로도 중요합니다.
Ultralytics YOLO11 인스턴스 분할 모델은 플레어링으로 인한 화재 및 연기의 양을 모니터링하는 데 사용할 수 있습니다. 감지 및 분할된 플레어 및 연기의 픽셀 영역을 계산할 수 있습니다. 이 정보를 사용하여 운영자는 플레어링으로 인한 화재 및 연기에 대한 실시간 통찰력을 얻어 사고 및 부정적인 환경 영향을 방지하는 데 도움을 받을 수 있습니다.
폐기물 관리 및 재활용 시설의 작업자는 YOLO11 인스턴스 분할 기반 시스템을 사용하여 플라스틱 폐기물 재료를 식별할 수 있습니다. YOLO11은 로봇 분류 시스템과 통합되어 판지와 플라스틱(별도로 처리)과 같은 다양한 폐기물 재료를 정확하게 식별할 수 있습니다. 전 세계적으로 발생하는 70억 톤의 플라스틱 폐기물 중 약 10%만이 재활용된다는 점을 고려할 때 특히 중요합니다.
플라스틱 폐기물의 식별 및 분류를 자동화하면 작업자가 수동으로 품목을 분류하는 기존 방식에 비해 필요한 시간을 크게 줄일 수 있습니다. 컴퓨터 비전 모델은 랩이나 봉투와 같이 엉키기 쉬운 연질 플라스틱도 분할할 수 있습니다. 또한 YOLO11 모델은 다양한 유형의 플라스틱을 분할하도록 사용자 정의 학습될 수 있습니다. 다음 섹션에서 YOLO11 모델을 사용자 정의 학습하는 방법에 대해 자세히 알아보겠습니다.
인스턴스 분할의 또 다른 흥미로운 사용 사례는 자율 주행 자동차입니다. YOLO11은 자율 주행 자동차가 픽셀 수준에서 객체를 정확하게 인식하여 승객과 도로상의 다른 사람들의 안전을 향상시킬 수 있도록 합니다. 자동차의 온보드 카메라 시스템은 주변 환경의 이미지를 캡처하고 YOLO11과 인스턴스 분할을 사용하여 분석할 수 있습니다. 이미지 내의 각 객체(보행자, 신호등, 다른 차량 등)가 분할되고 레이블이 지정됩니다. 이러한 수준의 정밀도는 자율 주행 자동차에게 주변의 모든 객체를 식별할 수 있는 능력을 제공합니다.
이제 인스턴스 분할을 살펴보고 몇 가지 응용 분야에 대해 논의했으므로 Ultralytics YOLO11 모델을 사용하여 어떻게 시도해 볼 수 있는지 알아봅시다.
이를 수행하는 방법은 두 가지가 있습니다. Ultralytics Python 패키지 또는 Ultralytics HUB를 사용할 수 있습니다. 먼저 Python 패키지부터 살펴보겠습니다.
추론 실행은 모델을 사용하여 이전에 볼 수 없었던 새로운 데이터를 분석하는 것을 의미합니다. 코드를 통해 YOLO11 인스턴스 분할 모델을 사용하여 추론을 실행하려면 pip, conda 또는 docker를 사용하여 Ultralytics Python 패키지를 설치해야 합니다. 설치 중에 문제가 발생하면 일반적인 문제 해결 가이드를 참조하여 문제 해결에 대한 도움을 받을 수 있습니다. 패키지가 설치되면 아래 표시된 코드를 실행하여 YOLO11 인스턴스 분할 모델을 로드하고 이미지에 대한 예측을 실행할 수 있습니다.
동일한 코드 설정으로 사용자 정의 YOLO11 모델을 훈련할 수도 있습니다. YOLO11 모델을 미세 조정하면 특정 프로젝트 요구 사항을 더 잘 충족하는 사용자 정의 버전의 모델을 만들 수 있습니다. 예를 들어 소매업체는 사용자 정의 모델을 사용하여 고객의 신체적 특징을 정확하게 분할하여 제대로 맞는 옷을 추천할 수 있습니다. 아래 코드 스니펫은 인스턴스 분할을 위해 YOLO11 모델을 로드하고 훈련하는 방법을 보여줍니다. YAML 구성 또는 사전 훈련된 모델에서 시작하여 가중치를 전송하고 COCO와 같은 데이터 세트에서 훈련하여 효과적인 분할을 달성할 수 있습니다.
완료되면 특정 애플리케이션에 대한 사용자 정의 모델을 사용하여 추론을 수행할 수 있습니다. 내보내기 옵션을 사용하여 사용자 정의 모델을 다른 형식으로 내보낼 수도 있습니다.
이제 코드를 통해 YOLO11 인스턴스 분할 모델의 추론 실행 및 사용자 정의 학습을 살펴보았으므로 노코드 대안인 Ultralytics HUB를 살펴보겠습니다. Ultralytics HUB는 YOLO11 인스턴스 분할 모델을 포함하여 YOLO 모델의 학습 및 배포 프로세스를 간소화하는 직관적인 Vision AI 플랫폼입니다.
이미지에서 추론을 실행하려면 계정을 만들고 '모델' 섹션으로 이동하여 원하는 YOLO11 인스턴스 분할 모델 변형을 선택하기만 하면 됩니다. 아래와 같이 이미지를 업로드하고 미리보기 섹션에서 예측 결과를 볼 수 있습니다.
YOLO11은 다양한 산업 분야에서 무한한 가능성을 열어주는 안정적인 인스턴스 분할 기능을 제공합니다. 자율 주행 차량의 안전성 향상, 석유 및 가스 부문의 가스 연소 모니터링, 재활용 시설의 폐기물 분류 자동화에 이르기까지 YOLO11의 픽셀 수준 정밀도는 복잡한 분할 작업에 이상적입니다.
Ultralytics Python 패키지를 통한 사용자 정의 훈련 옵션과 Ultralytics HUB를 통한 노코드 설정을 통해 사용자는 YOLO11을 워크플로에 원활하게 통합할 수 있습니다. 산업 애플리케이션, 의료, 소매 또는 환경 모니터링 등 YOLO11은 다양한 분할 요구 사항을 충족하는 유연성과 정확성을 제공합니다.
더 자세한 내용을 보려면 GitHub 저장소를 방문하여 커뮤니티에 참여하십시오. 솔루션 페이지에서 자율 주행 자동차 및 농업 분야의 AI 응용 프로그램을 살펴보십시오. 🚀
.webp)