Python 사전 학습된 Ultralytics YOLOv8 모델을 사용한 세분화

객체 세분화의 세계를 다음과 같이 살펴보겠습니다. Ultralytics YOLOv8 모델을 살펴보겠습니다. 이 블로그 게시물에서는 다음에서 쉽게 세분화를 설정하고 실행하는 방법에 대해 자세히 안내합니다. Python.

세분화를 위한 준비

YOLOv8 초점을 맞춰 시작해보겠습니다. 이 강력한 모델을 설치하는 것은 매우 간단하며, 곧바로 세분화 기능을 활용할 수 있는 준비가 완료됩니다. 

개체 인스턴스 분할은 이미지 내에서 개별 객체를 정확히 찾아내고 배경에서 분리하여 객체 감지에서 한 단계 더 나아갑니다. 

출력은 각 객체의 윤곽을 나타내는 마스크 또는 윤곽선과 클래스 레이블 및 신뢰도 점수로 구성됩니다. 이 기술은 정확한 객체 모양이 필수적일 때 매우 유용하며, 객체 위치뿐만 아니라 형태에 대한 자세한 정보도 제공합니다.

몇 가지 간단한 명령어만으로 명령줄에서 예측을 실행할 수 있으며, YOLOv8 제공하는 혁신과 간편함을 직접 확인할 수 있습니다.

‍

실시간 분할: 이미지에 생명을 불어넣기

하지만 실시간으로 세분화를 경험할 수 있는데 왜 정적인 이미지로만 제한할까요? Python 스크립트는 동적인 실시간 세분화의 세계로 가는 관문입니다. 

YOLO 클래스를 활용하고 OpenCV 원활하게 통합하면 프로젝트에 활기를 불어넣고 숨겨진 인사이트와 패턴을 발견할 수 있습니다. 

의자를 식별하는 것부터 식물을 구별하는 것까지, 그 가능성은 상상력만큼 무궁무진합니다.

‍

Ultralytics 다음과 같은 지원도 제공합니다. COCO 세분화 사전 학습 모델을 지원하며, 이는 모든 사용 사례에서 훌륭한 출발점이 됩니다. 그런 다음 특정 요구 사항에 맞게 이러한 모델을 미세 조정할 수 있습니다.

전반적으로 차량 부품 인스턴스 분할, 균열 분할 및 산업 패키지 분할과 같은 다양한 데이터 세트에 대한 지원을 제공합니다. 이러한 데이터 세트에 대한 분할 모델 학습은 문서에서 제공되는 단일 명령으로 간단하게 수행할 수 있습니다.

계속 지켜봐 주세요

다음 동영상에서 자체 데이터 세트에 대한 사용자 지정 교육 및 추론에 대해 살펴보면서 YOLOv8 영역에 대해 자세히 알아보세요. 

저희는 AI와 머신러닝의 복잡성을 한 번에 한 segment 단순화하기 위해 최선을 다하고 있습니다. 저희의 사명은 개인과 조직 모두가 YOLOv8 같은 최첨단 기술의 잠재력을 최대한 활용할 수 있도록 지원하는 것입니다. 저희의 안내와 여러분의 호기심만 있다면 어떤 놀라운 혁신이 기다리고 있을지 모릅니다.

Ultralytics YOLOv8 잠재력을 최대한 활용하는 과정을 함께하세요. 여기에서 전체 동영상을 시청하세요!