인스턴스 세그멘테이션에 Ultralytics YOLO11을 사용하는 방법

기계가 시각 정보를 해석하고 이해하도록 돕는 인공지능(AI) 분야인 컴퓨터 비전은 인스턴스 분할과 같은 작업을 가능하게 합니다. 인스턴스 분할을 사용하면 이미지나 동영상 프레임을 분석해 같은 유형의 객체가 여러 개 있더라도 각 객체의 정확한 경계를 표시할 수 있습니다. 정밀도가 높은 인스턴스 분할은 자율주행차가 도로 장애물을 감지하는 것부터 의료 영상에서 종양을 식별하는 것까지 다양한 애플리케이션에 활용됩니다.

인스턴스 분할은 오랜 기간 크게 발전해 왔습니다. 최근에는 Ultralytics의 연례 하이브리드 행사인 YOLO Vision 2024(YV24)에서 Ultralytics YOLO11 모델이 공개되었으며, 이후 Ultralytics YOLO26이 그 뒤를 이었습니다. 새 모델은 인스턴스 분할을 포함해 Ultralytics YOLOv8 모델과 동일한 컴퓨터 비전 작업을 지원하므로 이전 버전에 익숙한 사용자도 쉽게 도입할 수 있습니다.

그림 1. 인스턴스 세그멘테이션에 Ultralytics YOLO11 모델을 사용하는 예시입니다.

이 문서에서는 인스턴스 분할의 개념과 의미 분할과 같은 다른 컴퓨터 비전 작업과의 차이점, 그리고 몇 가지 애플리케이션을 살펴봅니다. 또한 Ultralytics Python 패키지와 Ultralytics HUB(현재 Ultralytics Platform)를 사용해 YOLO11 인스턴스 분할 모델을 사용하는 방법도 안내합니다. 시작해 보겠습니다!

인스턴스 세그멘테이션이란 무엇인가요?#

인스턴스 분할은 이미지의 객체를 식별하고 픽셀 수준에서 윤곽을 표시하는 데 사용할 수 있습니다. 일반적으로 먼저 객체를 감지하고 객체 주위에 바운딩 박스를 그립니다. 그런 다음 분할 알고리즘이 바운딩 박스 안의 각 픽셀을 분류해 객체별로 정밀한 마스크를 생성합니다.

인스턴스 분할은 의미 분할 및 파놉틱 분할과 같은 작업과도 다릅니다. 의미 분할은 개별 인스턴스를 구분하지 않고 객체의 일반적인 범주에 따라 각 픽셀에 라벨을 지정합니다. 반면 파놉틱 분할은 인스턴스 분할과 의미 분할을 결합해 각 픽셀에 클래스와 인스턴스 ID를 모두 지정하고, 각 범주 내의 개별 객체를 식별합니다.

그림 2. YOLO11로 사람과 개를 감지하고 세그멘테이션하는 모습입니다.

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

이전 모델과 마찬가지로 YOLO11 인스턴스 분할 모델도 필요에 따라 여러 변형을 제공합니다. YOLO11n-seg(Nano), YOLO11s-seg(Small), YOLO11m-seg(Medium), YOLO11l-seg(Large), YOLO11x-seg(Extra Large)가 있습니다. 이 모델들은 크기, 처리 속도, 정확도, 필요한 컴퓨팅 성능에서 차이가 있습니다. 구체적인 요구 사항에 따라 애플리케이션에 가장 적합한 모델을 선택할 수 있습니다.

YOLO11 인스턴스 세그멘테이션 활용 사례#

YOLO11의 고급 인스턴스 세그멘테이션 기능은 여러 산업 분야에서 다양한 활용 가능성을 열어 줍니다. 몇 가지 활용 사례를 자세히 살펴보겠습니다.

석유 및 가스 산업에서 YOLO11 세그멘테이션 활용하기#

석유 및 가스 채굴에는 매우 큰 압력 변동을 관리하는 작업이 포함됩니다. 가스 플레어링과 같은 기법은 석유 채굴 중에 생성되는 천연가스를 태워 없애며, 이는 안전을 위해 필요합니다. 예를 들어 원유 채굴 중 갑작스럽거나 큰 압력 급증은 폭발로 이어질 수 있습니다. 드물기는 하지만 석유 및 가스 제조 부문의 산업 사고는 진압과 제어가 어려운 대형 화재를 일으킬 수 있습니다. 가스 플레어링은 초과 가스를 태워 장비의 압력을 안전하게 낮추고 예측하기 어려운 큰 압력 변동을 관리하는 데 도움이 됩니다.

AI 시스템은 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 가스 플레어링 모니터링은 환경 측면에서도 중요합니다.

Ultralytics YOLO11 인스턴스 분할 모델은 플레어링으로 인해 발생하는 화염과 연기의 양을 모니터링하는 데 사용할 수 있습니다. 감지 및 분할된 플레어와 연기의 픽셀 면적을 계산할 수 있습니다. 이 정보를 이용하면 운영자는 플레어링으로 발생하는 화염과 연기를 실시간으로 파악하여 사고와 부정적인 환경 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 분할 기반 시스템을 사용해 플라스틱 폐기물을 식별할 수 있습니다. YOLO11을 로봇 분류 시스템과 통합하면 판지와 플라스틱처럼 별도로 처리해야 하는 다양한 폐기물을 정확하게 식별할 수 있습니다. 전 세계에서 발생하는 70억 미터톤의 플라스틱 폐기물 중 약 10%만 재활용된다는 점을 고려하면 이는 특히 중요합니다.

플라스틱 폐기물의 식별과 분류를 자동화하면 작업자가 손으로 물품을 분류하는 기존 방식에 비해 필요한 시간을 크게 줄일 수 있습니다. 컴퓨터 비전 모델은 랩이나 봉투처럼 얇은 플라스틱도 분할할 수 있습니다. 이러한 플라스틱은 서로 엉키는 경우가 많아 특히 처리하기 어렵습니다. YOLO11 모델은 다양한 유형의 플라스틱을 분할하도록 사용자 지정 학습할 수도 있습니다. 다음 섹션에서 YOLO11 모델을 사용자 지정 학습하는 방법을 자세히 살펴보겠습니다.

그림 4. Ultralytics YOLO11을 사용한 플라스틱 폐기물 식별입니다.

자율주행차에서 YOLO11 세그멘테이션 활용하기#

인스턴스 분할의 또 다른 흥미로운 사용 사례는 자율주행차입니다. YOLO11은 픽셀 수준에서 객체를 정확하게 인식하여 자율주행차가 승객과 도로 위 다른 사람의 안전을 개선하도록 합니다. 차량의 온보드 카메라 시스템은 주변 이미지를 촬영하고 YOLO11 및 인스턴스 분할을 사용해 분석할 수 있습니다. 이미지 속 각 객체(보행자, 신호등, 다른 차량 등)를 분할하고 라벨을 지정합니다. 이러한 정밀도 덕분에 자율주행차는 주변의 모든 객체를 식별할 수 있습니다.

그림 5. YOLO11과 인스턴스 세그멘테이션으로 도로 위 차량과 보행자를 식별합니다.

YOLO11 모델로 인스턴스 세그멘테이션 사용해 보기#

인스턴스 세그멘테이션을 살펴보고 몇 가지 활용 사례를 알아보았으니, 이제 Ultralytics YOLO11 모델로 직접 사용해 보겠습니다.

두 가지 방법이 있습니다. Ultralytics Python 패키지를 사용하거나 Ultralytics HUB를 이용할 수 있습니다. 먼저 Python 패키지를 살펴본 다음 두 방법을 모두 알아보겠습니다.

YOLO11으로 추론 실행하기#

추론은 모델을 사용해 이전에 본 적 없는 새 데이터를 분석하는 과정입니다. 코드로 YOLO11 인스턴스 분할 모델의 추론을 실행하려면 pip, conda 또는 Docker를 사용해 Ultralytics Python 패키지를 설치해야 합니다. 설치 중 문제가 발생하면 문제 해결을 위해 일반적인 문제 가이드를 참조하세요. 패키지를 설치한 후에는 아래 코드를 실행해 YOLO11n-seg 인스턴스 분할 모델을 로드하고 이미지에 대한 예측을 실행할 수 있습니다.

그림 6. YOLO11n-seg를 사용해 이미지에서 추론을 실행합니다.

YOLO11 커스텀 모델 학습하기#

동일한 코드 설정으로 사용자 지정 YOLO11 모델을 학습할 수도 있습니다. YOLO11 모델을 미세 조정하면 프로젝트의 구체적인 요구 사항에 더 잘 맞는 사용자 지정 모델을 만들 수 있습니다. 예를 들어 소매업체는 고객의 신체 특징을 정확하게 분할하는 사용자 지정 모델을 사용해 잘 맞는 옷을 추천할 수 있습니다. 아래 코드 예시는 인스턴스 분할용 YOLO11 모델을 로드하고 학습하는 방법을 보여줍니다. YAML 구성이나 사전 학습된 모델에서 시작해 가중치를 전이하고 COCO와 같은 데이터셋으로 학습하면 효과적인 분할을 수행할 수 있습니다.

학습이 완료되면 특정 애플리케이션에 맞게 사용자 지정 모델로 추론을 수행할 수 있습니다. 내보내기 모드를 사용하면 사용자 지정 모델을 다른 배포 형식으로 변환할 수도 있습니다.

Ultralytics HUB에서 YOLO11 인스턴스 세그멘테이션 사용하기#

지금까지 코드로 YOLO11 인스턴스 분할 모델의 추론 실행과 사용자 지정 학습을 살펴보았습니다. 이제 노코드 대안인 Ultralytics HUB를 알아보겠습니다. Ultralytics HUB는 YOLO11 인스턴스 분할 모델을 포함한 YOLO 모델의 학습 및 배포 과정을 간소화하는 직관적인 비전 AI 플랫폼입니다.

이미지에서 추론을 실행하려면 계정을 만들고 ‘Models’ 섹션으로 이동한 다음 원하는 YOLO11 인스턴스 분할 모델 변형을 선택하면 됩니다. 이미지를 업로드하고 미리보기 섹션에서 아래와 같이 예측 결과를 확인할 수 있습니다.

그림 7. Ultralytics HUB에서 추론 실행입니다.

핵심 요점#

YOLO11은 다양한 산업 분야에서 여러 가능성을 열어 주는 안정적인 인스턴스 세그멘테이션 기능을 제공합니다. 자율주행차의 안전성 향상과 석유 및 가스 부문의 가스 플레어링 모니터링부터 재활용 시설의 폐기물 분류 자동화에 이르기까지, YOLO11의 픽셀 수준 정밀도는 복잡한 세그멘테이션 작업에 적합합니다.

Ultralytics Python 패키지를 통한 사용자 지정 학습과 Ultralytics HUB를 통한 노코드 설정을 제공하므로 사용자는 YOLO11을 워크플로에 통합할 수 있습니다. 산업 애플리케이션, 의료, 소매업, 환경 모니터링 등 다양한 분야에서 YOLO11은 폭넓은 분할 요구 사항을 충족하는 유연성과 정확도를 제공합니다.

더 자세히 알아보려면 GitHub 저장소를 방문하고 커뮤니티에 참여해 보세요. 솔루션 페이지에서 자율주행차 및 농업 분야의 AI 애플리케이션을 살펴보세요.