인스턴스 세그멘테이션에 Ultralytics YOLO11을 사용하는 방법

컴퓨터 비전은 기계가 시각 정보를 해석하고 이해하도록 돕는 인공지능 (AI)의 한 분야로, 인스턴스 세그멘테이션과 같은 작업을 가능하게 합니다. 인스턴스 세그멘테이션은 이미지 또는 비디오 프레임을 분석하여 동일한 유형의 객체가 여러 개 있는 경우에도 이미지 내 각 개별 객체의 정확한 경계를 표시하는 데 사용할 수 있습니다. 높은 정밀도를 바탕으로 인스턴스 세그멘테이션은 자율주행 자동차가 도로 위의 장애물을 감지하도록 지원하는 것부터 의료 스캔에서 종양을 식별하는 것까지 폭넓은 분야에 활용됩니다.

수년에 걸쳐 인스턴스 세그멘테이션은 크게 발전했습니다. 최근에는 Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024 (YV24)에서 Ultralytics YOLO11 모델이 공개되었습니다. 이 새로운 모델은 Ultralytics YOLOv8 모델과 동일한 컴퓨터 비전 작업(인스턴스 세그멘테이션 포함)을 지원하므로, 이전 버전에 익숙한 사용자는 새 모델을 원활하게 도입할 수 있습니다.

그림 1. 인스턴스 세그멘테이션에 Ultralytics YOLO11 모델을 사용하는 예시입니다.

이 글에서는 인스턴스 세그멘테이션을 살펴보고 이것이 시맨틱 세그멘테이션과 같은 다른 컴퓨터 비전 작업과 어떻게 다른지 알아보며, 몇 가지 활용 사례도 함께 논의합니다. 또한 Ultralytics Python 패키지와 Ultralytics HUB 플랫폼을 사용하여 YOLO11 인스턴스 세그멘테이션 모델을 사용하는 방법을 단계별로 살펴봅니다. 시작하겠습니다!

인스턴스 세그멘테이션이란 무엇인가요?#

인스턴스 세그멘테이션은 이미지에서 객체를 식별하고 픽셀 단위로 윤곽을 표시하는 데 사용할 수 있습니다. 일반적으로 먼저 객체를 감지하고 객체 주변에 바운딩 박스를 그립니다. 그런 다음 세그멘테이션 알고리즘이 바운딩 박스 내 각 픽셀을 분류하여 객체별 정밀한 마스크를 생성합니다.

인스턴스 세그멘테이션은 시맨틱 세그멘테이션 및 파놉틱 세그멘테이션과 같은 작업과도 다릅니다. 시맨틱 세그멘테이션은 개별 인스턴스를 구분하지 않고 객체의 일반적인 카테고리를 기준으로 각 픽셀에 라벨을 지정합니다. 반면 파놉틱 세그멘테이션은 인스턴스 세그멘테이션과 시맨틱 세그멘테이션을 결합하여 각 픽셀에 클래스와 인스턴스 ID를 모두 지정하고, 각 카테고리 내 개별 객체를 식별합니다.

그림 2. YOLO11을 사용하여 사람과 개를 감지하고 세그멘테이션하는 모습입니다.

인스턴스 세그멘테이션의 기능은 서로 다른 모델이 필요할 수 있는 다양한 시나리오에 적용할 수 있습니다. 예를 들어 경량 모델은 모바일 애플리케이션의 실시간 처리에 적합할 수 있으며, 더 복잡한 모델은 제조 과정의 품질 관리와 같은 고정밀 작업에 사용할 수 있습니다.

이전 모델과 마찬가지로 YOLO11 인스턴스 세그멘테이션 모델도 필요에 따라 여러 변형을 제공합니다. 여기에는 YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large), YOLO11x-seg (Extra Large)가 포함됩니다. 이러한 모델은 크기, 처리 속도, 정확도 및 필요한 컴퓨팅 성능 측면에서 서로 다릅니다. 특정 요구 사항에 따라 애플리케이션에 가장 적합한 모델을 선택할 수 있습니다.

YOLO11의 인스턴스 세그멘테이션 활용 사례#

YOLO11의 고급 인스턴스 세그멘테이션 기능은 다양한 산업 분야에서 폭넓은 활용 사례를 가능하게 합니다. 이러한 활용 사례 중 일부를 자세히 살펴보겠습니다.

석유 및 가스 산업에서 YOLO11 세그멘테이션 사용하기#

석유 및 가스 추출 작업에서는 매우 큰 압력 변동을 관리해야 합니다. 가스 플레어링과 같은 기술은 석유 추출 중에 생성되는 천연가스를 태워 없애는 데 사용됩니다. 이는 안전상의 이유로 필요합니다. 예를 들어 원유를 추출할 때 갑작스럽거나 큰 폭의 압력 상승은 폭발로 이어질 수 있습니다. 흔하지는 않지만 석유 및 가스 제조 부문의 산업 사고는 진압과 통제가 어려운 강력한 화재를 일으킬 수 있습니다. 가스 플레어링은 잉여 가스를 태워 운영자가 장비의 압력을 안전하게 낮추고 예측하기 어려운 큰 압력 변동을 관리하도록 돕습니다.

AI 시스템은 이러한 모니터링 프로세스를 개선할 수 있으며, 인스턴스 세그멘테이션 기반 플레어 모니터링 시스템을 사용하면 사고 위험을 줄일 수 있습니다. 과도한 플레어링은 환경에 부정적인 영향을 미칠 수 있으므로, 환경 보호 측면에서도 가스 플레어링을 모니터링하는 것이 중요합니다.

Ultralytics YOLO11 인스턴스 세그멘테이션 모델을 사용하여 플레어링으로 인해 발생하는 화염과 연기의 양을 모니터링할 수 있습니다. 감지 및 세그멘테이션된 플레어와 연기의 픽셀 영역을 계산할 수 있습니다. 운영자는 이 정보를 통해 플레어링으로 인한 화염과 연기에 대한 실시간 인사이트를 확보하여 사고와 환경에 미치는 부정적인 영향을 방지할 수 있습니다.

그림 3. 석유 및 가스 제조에서 YOLO11을 사용한 플레어 모니터링 예시입니다.

플라스틱 폐기물 관리를 위한 YOLO11 인스턴스 세그멘테이션#

폐기물 관리 및 재활용 시설의 작업자는 YOLO11 인스턴스 세그멘테이션 기반 시스템을 사용하여 플라스틱 폐기물을 식별할 수 있습니다. YOLO11을 로봇 분류 시스템과 통합하면 판지와 플라스틱처럼 서로 다르게 처리해야 하는 다양한 폐기물을 정확하게 식별할 수 있습니다. 전 세계에서 발생하는 70억 톤의 플라스틱 폐기물 중 약 10%만 재활용된다는 점을 고려하면 이는 특히 중요합니다.

플라스틱 폐기물의 식별 및 분류를 자동화하면 작업자가 물품을 수작업으로 분류하는 기존 방식에 비해 필요한 시간을 크게 줄일 수 있습니다. 컴퓨터 비전 모델은 랩이나 봉투처럼 서로 엉키기 쉬워 특히 처리하기 어려운 연질 플라스틱도 세그멘테이션할 수 있습니다. YOLO11 모델은 다양한 유형의 플라스틱을 세그멘테이션하도록 커스텀 학습할 수도 있습니다. 다음 섹션에서는 YOLO11 모델을 커스텀 학습하는 방법을 자세히 알아봅니다.

그림 4. Ultralytics YOLO11을 사용한 플라스틱 폐기물 식별입니다.

자율주행 차량에서의 YOLO11 세그멘테이션#

인스턴스 세그멘테이션의 또 다른 흥미로운 활용 사례는 자율주행 자동차입니다. YOLO11을 사용하면 자율주행 자동차가 픽셀 단위로 객체를 정확하게 인식하여 승객과 도로 위 다른 사람들의 안전을 향상할 수 있습니다. 차량에 탑재된 카메라 시스템은 주변 환경의 이미지를 촬영하고 YOLO11 및 인스턴스 세그멘테이션을 사용하여 이를 분석할 수 있습니다. 이미지 내 각 객체(보행자, 신호등, 다른 차량 등)는 세그멘테이션되고 라벨이 지정됩니다. 이러한 수준의 정밀도를 통해 자율주행 자동차는 주변의 모든 객체를 하나하나 식별할 수 있습니다.

그림 5. YOLO11과 인스턴스 세그멘테이션을 사용하여 도로 위 차량과 보행자를 식별합니다.

YOLO11 모델로 인스턴스 세그멘테이션 사용해 보기#

이제 인스턴스 세그멘테이션을 살펴보고 몇 가지 활용 사례를 논의했으므로, Ultralytics YOLO11 모델을 사용하여 이를 직접 사용해 보는 방법을 알아보겠습니다.

두 가지 방법이 있습니다. Ultralytics Python 패키지 또는 Ultralytics HUB를 사용할 수 있습니다. 먼저 Python 패키지부터 두 방법을 모두 살펴보겠습니다.

YOLO11을 사용하여 추론 실행하기#

추론을 실행한다는 것은 모델을 사용하여 새롭고 이전에 보지 못한 데이터를 분석하는 것을 의미합니다. 코드를 통해 YOLO11 인스턴스 세그멘테이션 모델로 추론을 실행하려면 pip, conda 또는 docker를 사용하여 Ultralytics Python 패키지를 설치해야 합니다. 설치 중 문제가 발생하면 문제 해결을 위해 일반적인 문제 가이드를 참조할 수 있습니다. 패키지를 설치한 후에는 아래 코드를 실행하여 YOLO11 인스턴스 세그멘테이션 모델을 로드하고 이미지에 대한 예측을 수행할 수 있습니다.

그림 6. YOLO11n-seg를 사용하여 이미지에 대한 추론을 실행하는 모습입니다.

커스텀 YOLO11 모델 학습하기#

동일한 코드 설정을 사용하여 커스텀 YOLO11 모델을 학습할 수도 있습니다. YOLO11 모델을 파인 튜닝하면 특정 프로젝트의 요구 사항에 더 잘 맞는 커스텀 버전의 모델을 만들 수 있습니다. 예를 들어 소매업체는 커스텀 모델을 사용하여 고객의 신체적 특징을 정확하게 세그멘테이션하고 잘 맞는 의류를 추천할 수 있습니다. 아래 코드 스니펫은 인스턴스 세그멘테이션을 위한 YOLO11 모델을 로드하고 학습하는 방법을 보여줍니다. YAML 구성 또는 사전 학습된 모델에서 시작하여 가중치를 전이하고, 효과적인 세그멘테이션을 위해 COCO와 같은 데이터셋으로 학습할 수 있습니다.

학습이 완료되면 커스텀 모델을 사용하여 특정 애플리케이션에 대한 추론을 수행할 수 있습니다. 내보내기 옵션을 사용하면 커스텀 모델을 다른 형식으로 내보낼 수도 있습니다.

Ultralytics HUB에서 YOLO11 인스턴스 세그멘테이션 사용하기#

이제 코드를 통해 YOLO11 인스턴스 세그멘테이션 모델의 추론 실행과 커스텀 학습을 살펴보았으므로, 이제 코드 없이 사용할 수 있는 대안인 Ultralytics HUB를 알아보겠습니다. Ultralytics HUB는 YOLO11 인스턴스 세그멘테이션 모델을 포함한 YOLO 모델의 학습 및 배포 과정을 간소화하는 직관적인 비전 AI 플랫폼입니다.

이미지에 대한 추론을 실행하려면 계정을 만들고 ‘Models’ 섹션으로 이동한 다음 원하는 YOLO11 인스턴스 세그멘테이션 모델 변형을 선택하기만 하면 됩니다. 아래와 같이 이미지를 업로드하고 미리보기 섹션에서 예측 결과를 확인할 수 있습니다.

그림 7. Ultralytics HUB에서 추론을 실행하는 모습입니다.

핵심 요점#

YOLO11은 다양한 산업 분야에서 무한한 가능성을 열어 주는 안정적인 인스턴스 세그멘테이션 기능을 제공합니다. 자율주행 차량의 안전성 향상, 석유 및 가스 부문의 가스 플레어링 모니터링, 재활용 시설의 폐기물 분류 자동화에 이르기까지 YOLO11의 픽셀 단위 정밀도는 복잡한 세그멘테이션 작업에 적합합니다.

Ultralytics Python 패키지를 통한 커스텀 학습과 Ultralytics HUB를 통한 코드 없는 설정을 지원하므로 사용자는 YOLO11을 워크플로에 원활하게 통합할 수 있습니다. 산업 애플리케이션, 헬스케어, 소매업, 환경 모니터링 등 어떤 분야에서든 YOLO11은 다양한 세그멘테이션 요구 사항에 맞는 유연성과 정확도를 제공합니다.

더 자세히 알아보려면 GitHub 저장소를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행 자동차와 농업 분야의 AI 애플리케이션을 살펴보세요. 🚀