Python에서 사전 학습된 Ultralytics YOLOv8 모델을 사용한 세그멘테이션

Ultralytics YOLOv8 모델을 통한 객체 분할의 세계를 살펴봅시다. 이 블로그 포스트에서는 Python에서 분할을 쉽게 설정하고 실행하는 방법을 구체적으로 안내해 드리겠습니다.

세그멘테이션을 위한 준비 과정#

먼저 Ultralytics YOLOv8에 집중해 보겠습니다. 이 강력한 모델을 설치하는 것은 매우 간단하며, 순식간에 준비을 마치고 세분화 기능을 활용할 수 있게 됩니다.

인스턴스 세그멘테이션은 이미지 내의 개별 객체를 정확하게 찾아내어 배경과 분리함으로써 객체 탐지를 한 단계 더 발전시킵니다.

결과물은 각 객체의 윤곽을 나타내는 마스크나 컨투어로 구성되며, 클래스 레이블과 신뢰도 점수가 함께 제공됩니다. 이 기술은 객체의 위치뿐만 아니라 형태에 대한 자세한 정보가 필요한 경우 매우 유용합니다.

몇 가지 간단한 명령어로 커맨드 라인에서 예측을 실행할 수 있으며, Ultralytics YOLOv8이 제공하는 혁신과 간편함을 직접 확인할 수 있습니다.

라이브 세그멘테이션: 이미지에 생동감 불어넣기#

하지만 실시간 세그멘테이션을 경험할 수 있는데 정적 이미지에만 머무를 이유가 있을까요? 저희의 Python 스크립트는 라이브 세그멘테이션이라는 역동적인 세계로 안내하는 관문입니다.

YOLO 클래스를 활용하고 이를 OpenCV와 원활하게 통합함으로써, 프로젝트에 생기를 불어넣고 진행하면서 숨겨진 통찰력과 패턴을 발견할 수 있습니다.

의자 식별부터 식물 윤곽 추출에 이르기까지, 그 가능성은 여러분의 상상력만큼 무궁무진합니다.

그림 1. COCO 분할 사전 학습된 모델을 설명하는 Nicolai Nielsen.

Ultralytics에서는 모든 사용 사례에 훌륭한 시작점이 되는 COCO 분할 사전 학습된 모델에 대한 지원도 제공합니다. 그런 다음 특정 요구사항에 맞게 이러한 모델을 미세 조정할 수 있습니다.

전반적으로 당사는 carparts instance segmentation, crack segmentation, industrial package segmentation과 같은 다양한 데이터셋에 대한 지원을 제공합니다. 이러한 데이터셋으로 분할 모델을 학습하는 것은 당사 문서에서 제공하는 단일 명령어로 간소화됩니다:

계속 지켜봐 주세요#

다음 영상에서는 Ultralytics YOLOv8의 세계를 더욱 깊이 파고들어, 자신만의 데이터셋을 활용한 커스텀 학습과 추론을 탐구해 보겠습니다.

우리는 한 번에 하나의 세그먼트씩 AI와 머신러닝의 복잡성을 단순화하기 위해 최선을 다하고 있습니다. 우리의 사명은 개인과 조직 모두가 Ultralytics YOLOv8과 같은 최첨단 기술의 잠재력을 최대한 활용할 수 있도록 역량을 강화하는 것입니다. 우리의 가이드와 여러분의 호기심이 함께라면 어떤 놀라운 혁신이 기다리고 있을지 알 수 없습니다.

Ultralytics YOLOv8의 잠재력을 최대한 끌어내는 여정에 동참해 주세요. 전체 영상 보기 Watch the full video!