인스턴스 세그먼테이션을 위해 Ultralytics YOLO11을 사용하는 방법

Computer vision, a field within artificial intelligence (AI) that helps machines interpret and understand visual information, enables tasks like instance segmentation. Instance segmentation can be used to analyze an image or video frame to mark the exact boundaries of each distinct object in the image, even when multiple objects of the same type are present. With its high level of precision, instance segmentation has a wide range of applications, from helping self-driving cars detect obstacles on the road to identifying tumors in medical scans.

Over the years, instance segmentation has evolved significantly. A recent development was introduced during Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), in the form of the Ultralytics YOLO11 model. The new model supports the same computer vision tasks (including instance segmentation) as the Ultralytics YOLOv8 model, so users familiar with previous versions can adopt the new model seamlessly.

그림 1. Ultralytics YOLO11 모델을 사용하여 인스턴스 세그멘테이션을 수행하는 예시.

이 글에서는 인스턴스 세그멘테이션이 무엇인지, 시맨틱 세그멘테이션과 같은 다른 컴퓨터 비전 작업과는 어떻게 다른지 살펴보고, 몇 가지 활용 사례를 논의하겠습니다. 또한 Ultralytics Python 패키지와 Ultralytics HUB 플랫폼을 사용하여 어떻게 YOLO11 인스턴스 세그멘테이션 모델을 활용할 수 있는지 단계별로 알아보겠습니다. 시작해 봅시다!

Link to this section인스턴스 세그멘테이션이란 무엇인가요?#

인스턴스 세그멘테이션은 이미지 내의 객체를 식별하고 픽셀 단위로 외곽선을 그리는 데 사용할 수 있습니다. 이 과정은 일반적으로 먼저 객체를 탐지하고 주변에 바운딩 박스(BBox)를 그리는 것으로 시작합니다. 그다음, 세그멘테이션 알고리즘이 바운딩 박스 내의 각 픽셀을 분류하여 각 객체에 대한 정밀한 마스크를 생성합니다.

인스턴스 세그멘테이션은 시맨틱 세그멘테이션이나 파놉틱 세그멘테이션과 같은 작업과는 다릅니다. 시맨틱 세그멘테이션은 개별 인스턴스를 구분하지 않고 객체의 일반적인 범주에 따라 각 픽셀에 라벨을 지정합니다. 반면 파놉틱 세그멘테이션은 각 픽셀에 클래스와 인스턴스 ID를 모두 할당하여 카테고리 내의 개별 객체를 식별함으로써 인스턴스 세그멘테이션과 시맨틱 세그멘테이션의 장점을 결합합니다.

그림 2. YOLO11을 사용하여 사람과 개를 탐지하고 세그멘테이션하는 예시.

인스턴스 세그멘테이션의 기능은 다양한 상황에 따라 적합한 모델을 선택하여 적용할 수 있습니다. 예를 들어, 모바일 애플리케이션에서의 실시간 처리에는 경량 모델이 이상적일 수 있으며, 제조 현장의 품질 관리와 같은 고정밀 작업에는 더 복잡한 모델이 사용될 수 있습니다.

이전 모델들과 마찬가지로 YOLO11 인스턴스 세그멘테이션 모델도 사용자의 필요에 따라 선택할 수 있는 여러 버전을 제공합니다. 여기에는 YOLO11n-seg(Nano), YOLO11s-seg(Small), YOLO11m-seg(Medium), YOLO11l-seg(Large), YOLO11x-seg(Extra Large)가 포함됩니다. 이 모델들은 크기, 처리 속도, 정확도, 그리고 요구되는 연산 능력 측면에서 차이가 있습니다. 특정 요구 사항에 따라 애플리케이션에 가장 적합한 모델을 선택할 수 있습니다.

Link to this sectionYOLO11을 위한 인스턴스 세그멘테이션 활용 분야#

YOLO11의 고급 인스턴스 세그멘테이션 기능은 다양한 산업 전반에 걸쳐 폭넓은 활용 가능성을 열어줍니다. 이러한 활용 사례 중 일부를 자세히 살펴보겠습니다.

Link to this section석유 및 가스 산업에서 YOLO11 세그멘테이션 활용#

석유 및 가스 추출 과정에는 매우 높은 압력 변동을 관리하는 작업이 포함됩니다. 가스 플레어링(gas flaring)과 같은 기술은 석유 추출 중에 생성되는 천연가스를 태워 없애는 데 도움을 줍니다. 이는 안전상의 이유로 필수적입니다. 예를 들어, 원유 추출 시 갑작스럽거나 상당한 압력 급증이 발생하면 폭발로 이어질 수 있습니다. 드문 경우이지만 석유 및 가스 제조 부문에서의 산업 사고는 억제하고 제어하기 어려운 강렬한 화재를 유발할 수 있습니다. 가스 플레어링은 작업자가 장비의 압력을 안전하게 낮추고 과잉 가스를 태워 예측 불가능한 대규모 압력 변동을 관리하도록 돕습니다.

AI 시스템은 이러한 모니터링 과정을 개선할 수 있으며, 인스턴스 세그멘테이션 기반의 플레어 모니터링 시스템을 사용하면 사고 위험을 줄일 수 있습니다. 또한 가스 플레어링은 과도할 경우 환경에 부정적인 영향을 미칠 수 있으므로 환경적인 측면에서도 이를 모니터링하는 것이 중요합니다.

Ultralytics YOLO11 인스턴스 세그멘테이션 모델은 플레어링으로 인한 화염과 연기의 양을 모니터링하는 데 사용할 수 있습니다. 탐지 및 세그멘테이션된 플레어와 연기의 픽셀 영역을 계산할 수 있습니다. 이러한 정보를 활용하면 작업자가 플레어링으로 인한 화염과 연기에 대한 실시간 통찰력을 얻을 수 있어 사고 예방과 환경 피해 최소화에 도움을 줍니다.

그림 3. 석유 및 가스 제조 분야에서 YOLO11을 활용한 플레어 모니터링 예시.

Link to this section플라스틱 폐기물 관리를 위한 YOLO11 인스턴스 세그멘테이션#

폐기물 관리 및 재활용 시설의 작업자는 YOLO11 인스턴스 세그멘테이션 기반 시스템을 사용하여 플라스틱 폐기물을 식별할 수 있습니다. YOLO11은 로봇 선별 시스템과 통합되어 골판지나 플라스틱(별도로 처리해야 함)과 같은 다양한 폐기물을 정확하게 분류할 수 있습니다. 전 세계적으로 발생하는 70억 톤의 플라스틱 폐기물 중 약 10%만이 재활용된다는 점을 고려하면 매우 중요한 기술입니다.

플라스틱 폐기물 식별 및 선별 과정을 자동화하면 작업자가 직접 수동으로 분류하던 기존 방식에 비해 소요 시간을 크게 줄일 수 있습니다. 컴퓨터 비전 모델은 자주 엉키는 특성 때문에 분류하기 까다로운 랩이나 비닐봉지와 같은 연성 플라스틱도 세그멘테이션할 수 있습니다. YOLO11 모델은 또한 다양한 유형의 플라스틱을 세그멘테이션하도록 맞춤 학습(custom-train)시킬 수 있습니다. 이후 섹션에서 YOLO11 모델을 맞춤 학습하는 방법에 대해 더 자세히 알아보겠습니다.

그림 4. Ultralytics YOLO11을 사용하여 플라스틱 폐기물 식별하기.

Link to this section자율주행 차량에서의 YOLO11 세그멘테이션#

인스턴스 세그멘테이션의 또 다른 흥미로운 사례는 자율주행 자동차 분야입니다. YOLO11은 자율주행 자동차가 픽셀 수준에서 객체를 정확하게 인식함으로써 승객의 안전과 도로 위 다른 사람들의 안전을 향상시킬 수 있게 합니다. 차량의 내장 카메라 시스템은 주변 환경의 이미지를 캡처하고 YOLO11과 인스턴스 세그멘테이션을 사용하여 이를 분석합니다. 이미지 내의 각 객체(보행자, 신호등, 다른 차량 등)는 세그멘테이션 처리되고 라벨이 부여됩니다. 이러한 수준의 정밀도는 자율주행 자동차가 주변의 모든 객체를 식별할 수 있는 능력을 제공합니다.

그림 5. YOLO11 및 인스턴스 세그멘테이션을 사용하여 도로 위의 차량과 보행자를 식별하는 예시.

Link to this sectionYOLO11 모델로 인스턴스 세그멘테이션 체험하기#

이제 인스턴스 세그멘테이션에 대해 알아보고 몇 가지 응용 분야를 살펴보았으니, Ultralytics YOLO11 모델을 사용하여 직접 체험해 보겠습니다.

두 가지 방법이 있습니다. Ultralytics Python 패키지를 사용하거나 Ultralytics HUB를 이용하는 것입니다. Python 패키지부터 차례대로 알아보겠습니다.

Link to this sectionYOLO11을 사용한 추론(Inference) 실행#

추론(inference)을 실행하는 것은 모델을 사용하여 이전에 본 적 없는 새로운 데이터를 분석하는 과정을 포함합니다. YOLO11 인스턴스 세그멘테이션 모델을 통해 코드로 추론을 실행하려면 pip, conda 또는 docker를 사용하여 Ultralytics Python 패키지를 설치해야 합니다. 설치 중 문제가 발생하면 일반 문제 가이드를 참조하여 해결 방법을 확인하세요. 패키지가 설치되면 아래 코드를 실행하여 YOLO11 인스턴스 세그멘테이션 모델을 로드하고 이미지에 대해 예측을 수행할 수 있습니다.

그림 6. YOLO11n-seg를 사용하여 이미지에 대한 추론 실행하기.

Link to this section사용자 지정 YOLO11 모델 훈련#

동일한 코드 설정으로 커스텀 YOLO11 모델을 학습(train)시킬 수도 있습니다. 파인튜닝(fine-tuning)을 통해 특정 프로젝트 요구 사항을 더 잘 충족하는 커스텀 버전의 모델을 생성할 수 있습니다. 예를 들어, 소매업체는 커스텀 모델을 사용하여 고객의 신체 특징을 정확하게 세그멘테이션함으로써 알맞은 옷을 추천할 수 있습니다. 아래 코드 스니펫은 인스턴스 세그멘테이션을 위해 YOLO11 모델을 로드하고 학습하는 방법을 보여줍니다. YAML 설정이나 사전 학습된 모델에서 시작하여 가중치를 전이하고 COCO 데이터셋과 같은 데이터로 학습시켜 효과적인 세그멘테이션 결과를 얻을 수 있습니다.

학습이 완료되면 특정 애플리케이션에 맞게 커스텀 모델로 추론을 수행할 수 있습니다. 내보내기(export) 옵션을 사용하면 커스텀 모델을 다른 형식으로 내보낼 수도 있습니다.

Link to this sectionUltralytics HUB에서의 YOLO11 인스턴스 세그멘테이션#

이제 코드를 통해 추론을 실행하고 YOLO11 인스턴스 세그멘테이션 모델을 맞춤 학습하는 방법을 살펴보았으니, 노코드(no-code) 대안인 Ultralytics HUB를 살펴보겠습니다. Ultralytics HUB는 YOLO11 인스턴스 세그멘테이션 모델을 포함한 YOLO 모델의 학습 및 배포 프로세스를 간소화하는 직관적인 비전 AI 플랫폼입니다.

이미지에 대해 추론을 실행하려면 계정을 만들고 'Models' 섹션으로 이동하여 원하는 YOLO11 인스턴스 세그멘테이션 모델 버전을 선택하기만 하면 됩니다. 이미지를 업로드하고 아래와 같이 미리보기 섹션에서 예측 결과를 확인할 수 있습니다.

그림 7. Ultralytics HUB에서 추론을 실행하는 모습.

Link to this section핵심 요약#

YOLO11은 다양한 산업 전반에 걸쳐 무한한 가능성을 열어주는 신뢰할 수 있는 인스턴스 세그멘테이션 기능을 제공합니다. 자율주행 차량의 안전성 강화, 석유 및 가스 부문의 가스 플레어링 모니터링, 재활용 시설의 폐기물 분류 자동화에 이르기까지, YOLO11의 픽셀 단위 정밀도는 복잡한 세그멘테이션 작업에 최적입니다.

Ultralytics Python 패키지를 통한 맞춤 학습 옵션과 Ultralytics HUB를 통한 노코드 설정을 통해 사용자는 워크플로에 YOLO11을 원활하게 통합할 수 있습니다. 산업용 애플리케이션, 헬스케어, 소매업 또는 환경 모니터링 등 다양한 요구 사항을 충족할 수 있도록 YOLO11은 유연성과 정확성을 제공합니다.

더 많은 정보를 보려면 GitHub 저장소를 방문하고 커뮤니티에 참여하세요. 당사 솔루션 페이지에서 자율주행 자동차 및 농업 분야의 AI 활용 사례를 확인해 보세요. 🚀