Google Colab에서 Ultralytics YOLO11을 이용한 이미지 세그멘테이션

최신 Ultralytics YOLO11과 같은 Ultralytics YOLO 모델은 객체 탐지, 이미지 분류, 인스턴스 세그멘테이션과 같은 다양한 컴퓨터 비전 작업을 지원합니다. 이러한 각 작업은 인간 시각의 특정 측면을 재현하는 것을 목표로 하며, 기계가 주변 세계를 보고 해석할 수 있도록 합니다.

예를 들어, 미술 수업의 학생이 연필을 집어 들고 그림 속 객체의 윤곽선을 그리는 상황을 생각해 보십시오. 이 과정에서 학생의 뇌는 배경 및 다른 요소와 객체를 구별하는 세그멘테이션을 수행하고 있습니다. 이미지 세그멘테이션은 인공지능(AI)을 사용하여 유사한 목표를 달성하며, 시각적 데이터를 기계가 이해할 수 있는 의미 있는 부분으로 분해합니다. 이 기술은 많은 산업 분야에서 다양한 애플리케이션으로 활용될 수 있습니다.

그림 1. 이미지 내 객체를 세그멘테이션하는 데 사용되는 Ultralytics YOLO11.

한 가지 실용적인 예로 자동차 부품 세그멘테이션이 있습니다. 이미지 세그멘테이션을 통해 차량의 특정 구성 요소를 식별하고 분류함으로써 자동차 제조, 수리, 전자상거래 카탈로그 작성과 같은 산업의 프로세스를 효율화할 수 있습니다.

이 문서에서는 Ultralytics YOLO11, Google Colab, Roboflow Carparts Segmentation 데이터셋을 사용하여 자동차 부품을 정확하게 식별하고 세그멘테이션하는 솔루션을 구축하는 방법을 살펴보겠습니다.

Link to this section사용하기 쉬운 Ultralytics YOLO11#

Ultralytics YOLO11은 80가지 객체 클래스를 포함하는 COCO 데이터셋으로 학습된 사전 학습 모델로 제공됩니다. 그러나 자동차 부품 세그멘테이션과 같은 특정 애플리케이션의 경우, 사용자의 데이터셋과 유즈 케이스에 더 적합하도록 모델을 맞춤형으로 학습시킬 수 있습니다. 이러한 유연성 덕분에 YOLO11은 범용 작업과 매우 전문적인 작업 모두에서 우수한 성능을 발휘합니다.

맞춤형 학습은 사전 학습된 YOLO11 모델을 사용하여 새로운 데이터셋에 미세 조정(fine-tuning)하는 과정을 포함합니다. 작업에 특화된 레이블이 지정된 예제를 제공함으로써, 모델은 프로젝트 고유의 객체를 인식하고 세그멘테이션하는 방법을 학습합니다. 맞춤형 학습은 일반적인 사전 학습 가중치에 의존하는 것보다 더 높은 정확도와 관련성을 보장합니다.

맞춤형 학습을 위한 YOLO11 설정은 매우 간단합니다. 최소한의 설정만으로 모델과 데이터셋을 로드하고 학습을 시작하며, 학습 과정에서 손실(loss) 및 정확도와 같은 메트릭을 모니터링할 수 있습니다. YOLO11에는 검증 및 평가를 위한 내장 도구도 포함되어 있어 모델 성능을 더 쉽게 평가할 수 있습니다.

Link to this sectionGoogle Colab에서 Ultralytics YOLO11 실행하기#

YOLO11을 맞춤형으로 학습할 때 환경을 설정하는 몇 가지 옵션이 있습니다. 가장 접근하기 쉽고 편리한 선택 중 하나는 Google Colab입니다. 다음은 YOLO11 학습에 Google Colab을 사용할 때의 이점입니다:

• 리소스에 대한 무료 액세스: Google Colab은 GPU(그래픽 처리 장치)와 TPU(텐서 처리 장치)를 제공하므로, 값비싼 하드웨어 없이도 YOLO11을 학습시킬 수 있습니다.
• 협업 환경: Google Colab은 노트북 공유, Google Drive에 작업 저장, 쉬운 협업 및 버전 추적을 통한 팀워크 간소화를 지원합니다.
• 사전 설치된 라이브러리: PyTorch 및 TensorFlow와 같은 사전 설치된 도구를 통해 Google Colab은 설정 과정을 간소화하고 빠르게 시작할 수 있도록 돕습니다.
• 클라우드 통합: Google Drive, GitHub 또는 기타 클라우드 소스에서 데이터셋을 쉽게 로드할 수 있어 데이터 준비와 저장이 간편해집니다.

그림 2. Google Colab YOLO11 노트북.

Ultralytics는 YOLO11 학습을 위해 특별히 사전 구성된 Google Colab 노트북도 제공합니다. 이 노트북에는 모델 학습부터 성능 평가에 이르기까지 필요한 모든 것이 포함되어 있어 과정을 직관적이고 쉽게 따라 할 수 있습니다. 훌륭한 시작점이며, 복잡한 설정 단계에 대해 걱정할 필요 없이 특정 요구 사항에 맞게 모델을 미세 조정하는 데 집중할 수 있습니다.

Link to this sectionRoboflow Carparts Segmentation 데이터셋 개요#

학습 환경을 결정한 후 다음 단계는 데이터를 수집하거나 자동차 부품 세그멘테이션에 적합한 데이터셋을 선택하는 것입니다. Roboflow Universe에서 이용할 수 있는 Roboflow Carparts Segmentation Dataset은 컴퓨터 비전 모델을 구축, 학습 및 배포하기 위한 도구를 제공하는 플랫폼인 Roboflow에서 유지 관리합니다. 이 데이터셋은 3,156개의 학습 이미지, 401개의 검증 이미지, 276개의 테스트 이미지로 구성되어 있으며, 범퍼, 도어, 미러, 휠과 같은 자동차 부품에 대한 고품질 주석(annotation)이 포함되어 있습니다.

일반적으로는 Roboflow Universe에서 데이터셋을 다운로드하고 Google Colab에서 학습할 수 있도록 수동으로 설정해야 합니다. 그러나 Ultralytics Python 패키지는 원활한 통합과 사전 구성된 도구를 제공하여 이 과정을 간소화합니다.

그림 3. 자동차 부품 세그멘테이션 데이터셋의 예시.

Ultralytics를 사용하면 데이터셋 경로, 클래스 레이블 및 기타 학습 매개변수가 포함된 사전 구성된 YAML 파일을 통해 데이터셋을 바로 사용할 수 있습니다. 이는 사용자를 위해 설정을 처리해주므로, 빠르게 데이터셋을 로드하고 바로 모델 학습을 시작할 수 있습니다. 또한 데이터셋은 학습, 검증, 테스트 세트로 구분되어 있어 진행 상황을 모니터링하고 성능을 평가하기가 더 쉽습니다.

Roboflow Carparts Segmentation 데이터셋과 Ultralytics YOLO11에서 제공하는 도구를 활용하면 Google Colab과 같은 플랫폼에서 효율적으로 세그멘테이션 모델을 구축하는 원활한 워크플로를 얻을 수 있습니다. 이러한 접근 방식은 설정 시간을 단축하고 실제 애플리케이션을 위해 모델을 정교화하는 데 집중할 수 있게 해줍니다.

Link to this section자동차 부품 세그멘테이션의 실제 애플리케이션#

자동차 부품 세그멘테이션은 다양한 산업 전반에서 실용적인 용도로 활용됩니다. 예를 들어 수리점에서는 손상된 구성 요소를 빠르게 식별하고 분류하여 수리 과정을 더 빠르고 효율적으로 만들 수 있습니다. 마찬가지로 보험 업계에서는 세그멘테이션 모델이 손상된 차량 이미지를 분석하여 영향을 받은 부품을 식별함으로써 보험금 청구 평가를 자동화할 수 있습니다. 이는 청구 과정을 가속화하고 오류를 줄이며 보험사와 고객 모두에게 시간을 절약해 줍니다.

그림 4. YOLO를 사용한 자동차 부품 세그멘테이션.

제조 분야와 관련하여 세그멘테이션은 자동차 부품의 결함을 검사하고 일관성을 보장하며 낭비를 줄임으로써 품질 관리를 지원합니다. 이러한 애플리케이션은 자동차 부품 세그멘테이션이 어떻게 프로세스를 더 안전하고 빠르고 정확하게 만들어 산업을 변화시킬 수 있는지 보여줍니다.

Link to this section단계별 가이드: Google Colab에서 YOLO11 사용하기#

이제 모든 세부 사항을 다루었으니, 모든 것을 종합해 볼 시간입니다. 시작하려면 자동차 부품 세그멘테이션을 위한 YOLO11 모델 설정, 학습 및 검증 과정을 안내하는 YouTube 영상을 확인해 보십시오.

관련 단계에 대한 간략한 개요는 다음과 같습니다:

• Google Colab에서 환경 설정: GPU 지원을 활성화하고 Ultralytics Python 패키지를 설치하여 모델 학습을 준비합니다.
• YOLO11 모델 로드: 시간을 절약하고 자동차 부품 세그멘테이션을 위한 기존 기능을 활용하기 위해 사전 학습된 YOLO11 세그멘테이션 모델로 시작합니다.
• 데이터셋으로 모델 학습: 학습 중에 “carparts-seg.yaml” 파일을 사용하여 Roboflow Carparts Segmentation 데이터셋을 자동으로 다운로드, 구성 및 사용합니다. 에포크(epochs), 이미지 크기, 배치 크기(batch size)와 같은 매개변수를 조정하여 모델을 미세 조정합니다.
• 학습 진행 상황 모니터링: 세그멘테이션 손실(segmentation loss) 및 mAP(mean Average Precision)와 같은 핵심 성능 지표를 추적하여 모델이 예상대로 향상되는지 확인합니다.
• 모델 검증 및 배포: 검증 세트에서 학습된 모델을 테스트하여 정확도를 확인하고, 품질 관리 또는 보험 청구 처리와 같은 실제 애플리케이션을 위해 모델을 내보냅니다.

Link to this section자동차 부품 세그멘테이션에 YOLO11을 사용할 때의 이점#

YOLO11은 자동차 부품 세그멘테이션을 위한 신뢰할 수 있고 효율적인 도구이며, 다양한 실제 애플리케이션에 이상적인 일련의 이점을 제공합니다. 주요 이점은 다음과 같습니다:

• 속도 및 효율성: YOLO11은 이미지를 빠르게 처리하면서도 높은 정확도를 유지하므로 품질 관리 및 자율 주행 차량과 같은 실시간 작업에 적합합니다.
• 높은 정확도: 이 모델은 단일 이미지 내에서 여러 객체를 탐지하고 세그멘테이션하는 데 탁월하며, 자동차 부품의 정밀한 식별을 보장합니다.
• 확장성: YOLO11은 대규모 데이터셋과 복잡한 세그멘테이션 작업을 처리할 수 있어 산업용 애플리케이션으로 확장 가능합니다.
• 다중 통합: Ultralytics는 Google Colab, Ultralytics HUB 및 기타 인기 도구와의 통합을 지원하여 개발자의 유연성과 접근성을 향상합니다.

Link to this sectionGoogle Colab에서 YOLO11을 작업하기 위한 팁#

Google Colab은 머신러닝 워크플로를 훨씬 쉽게 처리할 수 있게 해주지만, 처음 사용하는 경우에는 익숙해지는 데 약간의 시간이 걸릴 수 있습니다. 클라우드 기반 설정, 런타임 설정 및 세션 제한을 탐색하는 것이 처음에는 까다롭게 느껴질 수 있지만, 작업을 훨씬 원활하게 만들어 줄 몇 가지 팁이 있습니다.

염두에 두어야 할 몇 가지 고려 사항은 다음과 같습니다:

• 학습 속도를 높이려면 먼저 런타임 설정에서 GPU 가속을 활성화하십시오.
• Colab은 클라우드에서 실행되므로 데이터셋 및 리포지토리와 같은 리소스에 액세스하기 위해 안정적인 인터넷 연결을 확보하십시오.
• 파일과 데이터셋을 Google Drive나 GitHub에 정리하여 Colab 내에서 쉽게 로드하고 관리할 수 있도록 하십시오.
• Colab의 무료 계층에서 메모리 제한이 발생하는 경우, 학습 중에 이미지 크기나 배치 크기를 줄여 보십시오.
• Colab 세션에는 시간 제한이 있으므로 모델과 결과를 정기적으로 저장하는 것을 잊지 마십시오. 진행 상황을 잃고 싶지 않을 것입니다.

Link to this sectionYOLO11로 더 많은 성과 달성하기#

Ultralytics YOLO11은 Google Colab과 같은 플랫폼 및 Roboflow Carparts Segmentation 데이터셋과 결합되어 이미지 세그멘테이션을 직관적이고 접근하기 쉽게 만듭니다. 직관적인 도구, 사전 학습된 모델, 쉬운 설정을 갖춘 YOLO11을 통해 고급 컴퓨터 비전 작업을 쉽게 시작할 수 있습니다.

자동차 안전을 개선하든, 제조를 최적화하든, 혁신적인 AI 애플리케이션을 구축하든, 이 조합은 성공을 돕는 도구를 제공합니다. Ultralytics YOLO11과 함께라면 단순히 모델을 구축하는 것 이상으로, 현실 세계에서 더 스마트하고 효율적인 솔루션을 위한 길을 열어가고 있는 것입니다.

더 자세히 알아보려면 당사의 GitHub 저장소를 확인하고 커뮤니티와 교류하십시오. 솔루션 페이지에서 자율주행 자동차 및 농업을 위한 컴퓨터 비전 분야의 AI 애플리케이션을 탐색해 보세요. 🚀