인스턴스 세그먼테이션을 위해 Ultralytics YOLO11을 사용하는 방법

컴퓨터 비전은 기계가 시각적 정보를 해석하고 이해하도록 돕는 인공지능(AI)의 한 분야로, 인스턴스 세분화와 같은 작업을 가능하게 합니다. 인스턴스 세분화는 이미지나 비디오 프레임을 분석하여 이미지 내 각 개별 객체의 정확한 경계를 표시하는 데 사용할 수 있으며, 동일한 유형의 객체가 여러 개 있는 경우에도 유용합니다. 높은 수준의 정밀도를 바탕으로 인스턴스 세분화는 자율주행차가 도로 위의 장애물을 감지하는 것부터 의학 스캔에서 종양을 식별하는 것에 이르기까지 광범위한 응용 분야를 가지고 있습니다.

수년에 걸쳐 인스턴스 세분화는 크게 발전했습니다. 최근의 발전 사항은 Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024 (YV24)에서 Ultralytics YOLO11 모델의 형태로 소개되었습니다. 이 새로운 모델은 Ultralytics YOLOv8 모델과 동일한 컴퓨터 비전 작업(인스턴스 세분화 포함)을 지원하므로, 이전 버전에 익숙한 사용자는 새로운 모델을 원활하게 도입할 수 있습니다.

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

이 글에서는 인스턴스 세분화가 시맨틱 세분화와 같은 다른 컴퓨터 비전 작업과 어떻게 다른지 살펴보고, 몇 가지 응용 분야에 대해 논의합니다. 또한 Ultralytics Python 패키지와 Ultralytics HUB 플랫폼을 사용하여 YOLO11 인스턴스 세분화 모델을 사용하는 방법을 살펴봅니다. 시작하겠습니다!

인스턴스 세그멘테이션이란 무엇인가요?#

인스턴스 세분화를 사용하면 이미지에서 객체를 식별하고 픽셀 수준에서 외곽선을 따를 수 있습니다. 이 과정은 일반적으로 먼저 객체를 감지하고 그 주변에 바운딩 박스를 그리는 것으로 시작합니다. 그런 다음 세분화 알고리즘이 바운딩 박스 내의 각 픽셀을 분류하여 각 객체에 대한 정밀한 마스크를 생성합니다.

인스턴스 세분화는 시맨틱 세분화 및 파노픽 세분화와 같은 작업과도 다릅니다. 시맨틱 세분화는 개별 인스턴스를 구별하지 않고 객체의 일반적인 카테고리를 기반으로 각 픽셀에 라벨을 지정합니다. 반면 파노픽 세분화는 각 픽셀에 클래스와 인스턴스 ID를 모두 지정하여 각 카테고리 내의 개별 객체를 식별함으로써 인스턴스 세분화와 시맨틱 세분화를 모두 결합합니다.

그림 2. YOLO11을 사용하여 사람과 개를 탐지하고 세그멘테이션하는 예시.

인스턴스 세분화의 기능은 서로 다른 모델이 필요할 수 있는 다양한 시나리오에 적용될 수 있습니다. 예를 들어, 경량 모델은 모바일 애플리케이션의 실시간 처리에 이상적일 수 있으며, 더 복잡한 모델은 제조 공정의 품질 관리와 같은 고정밀 작업에 사용될 수 있습니다.

이전 모델과 마찬가지로 YOLO11 인스턴스 세분화 모델도 필요에 따라 여러 변형 버전으로 제공됩니다. 이러한 변형에는 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 필요한 연산 능력의 양 측면에서 차이가 있습니다. 특정 요구 사항에 따라 애플리케이션에 가장 적합한 모델을 선택할 수 있습니다.

YOLO11을 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.

석유 및 가스 산업에서 YOLO11 세그멘테이션 활용#

석유 및 가스 추출은 극도로 높은 압력 변동을 관리하는 것을 수반합니다. 가스 플레어링과 같은 기술은 석유 추출 중에 생성되는 천연가스를 태워 없애는 데 도움을 줍니다. 이는 안전상의 이유로 필수적입니다. 예를 들어, 원유 추출 중 갑작스럽거나 상당한 압력 급상승은 폭발로 이어질 수 있습니다. 드물기는 하지만 석유 및 가스 제조 부문의 산업 사고는 진압하고 제어하기 어려운 강렬한 화재를 초래할 수 있습니다. 가스 플레어링은 작업자가 초과 가스를 태워버림으로써 장비의 압력을 안전하게 낮추고 예측할 수 없는 큰 압력 변동을 관리할 수 있도록 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 세분화 모델은 플레어링으로 인해 발생하는 화재와 연기의 양을 모니터링하는 데 사용할 수 있습니다. 감지 및 세분화된 플레어와 연기의 픽셀 영역을 계산할 수 있습니다. 이 정보를 사용하여 작업자는 플레어링으로 인한 화재 및 연기에 대한 실시간 통찰력을 얻을 수 있으며, 이는 사고와 부정적인 환경 영향을 예방하는 데 도움이 됩니다.

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

플라스틱 폐기물 관리를 위한 YOLO11 인스턴스 세그멘테이션#

폐기물 관리 및 재활용 시설의 근로자는 YOLO11 인스턴스 세분화 기반 시스템을 사용하여 플라스틱 폐기물 자재를 식별할 수 있습니다. YOLO11은 로봇 선별 시스템과 통합되어 골판지, 플라스틱 등 다양한 폐기물 자재를 (별도로 처리하기 위해) 정확하게 식별할 수 있습니다. 전 세계적으로 생성되는 70억 톤의 플라스틱 폐기물 중 약 10%만이 재활용된다는 점을 고려할 때 이는 특히 중요합니다.

근로자가 수작업으로 아이템을 분류하는 전통적인 방법에 비해 플라스틱 폐기물의 식별 및 선별을 자동화하면 필요한 시간이 크게 단축됩니다. 컴퓨터 비전 모델은 특히 자주 얽히기 때문에 다루기 어려운 랩 및 백과 같은 연질 플라스틱도 세분화할 수 있습니다. YOLO11 모델은 또한 다양한 유형의 플라스틱을 세분화하도록 사용자 정의 학습될 수 있습니다. 다음 섹션에서는 YOLO11 모델을 사용자 정의 학습하는 방법에 대해 더 자세히 알아보겠습니다.

그림 4. Ultralytics YOLO11을 사용하여 플라스틱 폐기물 식별하기.

자율주행 차량에서의 YOLO11 세그멘테이션#

인스턴스 세분화의 또 다른 흥미로운 사용 사례는 자율주행차에 있습니다. YOLO11은 픽셀 수준에서 객체를 정확하게 인식함으로써 자율주행차가 승객의 안전과 도로 위 다른 사람들의 안전을 향상시킬 수 있도록 합니다. 자동차에 탑재된 카메라 시스템은 주변 환경의 이미지를 캡처하고 YOLO11과 인스턴스 세분화를 사용하여 이를 분석할 수 있습니다. 이미지 내의 각 객체(보행자, 신호등, 기타 차량 등)가 세분화되고 라벨이 부여됩니다. 이러한 수준의 정밀도는 자율주행차가 주변의 모든 객체를 식별할 수 있는 능력을 제공합니다.

그림 5. YOLO11과 인스턴스 세분화를 사용하여 도로 위의 차량과 보행자 식별하기.

YOLO11 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.

YOLO11을 사용한 추론(Inference) 실행#

추론을 실행한다는 것은 모델을 사용하여 새롭고 이전에 본 적 없는 데이터를 분석하는 것을 의미합니다. 코드를 통해 YOLO11 인스턴스 세분화 모델을 사용하여 추론을 실행하려면 pip, conda 또는 docker를 사용하여 Ultralytics Python 패키지를 설치해야 합니다. 설치 중에 문제가 발생하는 경우 문제 해결에 대한 지원을 위해 일반적인 문제 가이드를 참조할 수 있습니다. 패키지가 설치되면 아래 표시된 코드를 실행하여 YOLO11 인스턴스 세분화 모델을 로드하고 이미지에 대한 예측을 실행할 수 있습니다.

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

사용자 지정 YOLO11 모델 훈련#

동일한 코드 설정으로 사용자 정의 YOLO11 모델을 학습할 수도 있습니다. YOLO11 모델을 미세 조정함으로써 특정 프로젝트 요구 사항에 더 잘 부합하는 모델의 사용자 정의 버전을 만들 수 있습니다. 예를 들어 소매업체는 사용자 정의 모델을 사용하여 고객의 신체 특징을 정확하게 세분화함으로써 잘 맞는 옷을 추천할 수 있습니다. 아래 코드 조각은 인스턴스 세분화를 위해 YOLO11 모델을 로드하고 학습하는 방법을 보여줍니다. YAML 구성 또는 사전 학습된 모델에서 시작하여 가중치를 전송하고 COCO와 같은 데이터셋으로 학습하여 효과적인 세분화를 달성할 수 있습니다.

완료되면 특정 애플리케이션을 위해 사용자 정의 모델을 사용하여 추론을 수행할 수 있습니다. 내보내기 옵션을 사용하여 사용자 정의 모델을 다른 형식으로 내보내기할 수도 있습니다.

Ultralytics HUB에서의 YOLO11 인스턴스 세그멘테이션#

코드를 통해 YOLO11 인스턴스 세분화 모델의 추론 실행 및 사용자 정의 학습에 대해 살펴보았으니, 이제 노코드 대안인 Ultralytics HUB를 살펴보겠습니다. Ultralytics HUB는 YOLO11 인스턴스 세분화 모델을 포함하여 YOLO 모델의 학습 및 배포 프로세스를 단순화하는 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.

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