Python에서 사전 학습된 Ultralytics YOLOv8 모델을 사용한 세그멘테이션

이 게시물에서는 Ultralytics YOLOv8 모델을 사용한 객체 분할을 살펴보고, Python에서 분할을 설정하고 실행하는 방법을 안내합니다.

세그멘테이션을 위한 준비#

Ultralytics YOLOv8부터 시작하겠습니다. 명령 하나로 Ultralytics 패키지를 설치하면 모델의 분할 기능을 사용할 수 있습니다.

인스턴스 분할은 이미지 내 개별 객체의 위치를 정확히 찾아 배경과 분리한다는 점에서 객체 탐지보다 한 단계 더 나아갑니다.

출력에는 각 객체의 윤곽을 나타내는 마스크 또는 윤곽선과 클래스 라벨 및 신뢰도 점수가 포함됩니다. 객체의 정확한 형태가 중요한 경우 유용한 기법으로, 객체 위치뿐만 아니라 형태에 관한 상세 정보도 제공합니다.

몇 가지 간단한 명령어로 명령줄에서 예측을 실행할 수 있습니다.

실시간 세그멘테이션: 이미지에 생명 불어넣기#

분할은 정적 이미지에만 국한되지 않습니다. 짧은 Python 스크립트를 사용하면 실시간 비디오 스트림에서도 분할을 실행할 수 있습니다.

YOLO 클래스를 OpenCV와 함께 사용하면 웹캠 프레임을 분할하고 처리되는 즉시 결과를 표시할 수 있습니다.

영상에서 모델은 의자부터 식물까지 일상적인 객체를 분할합니다.

그림 1. Nicolai Nielsen이 COCO 세그멘테이션 사전 학습 모델을 설명하는 모습.

Ultralytics는 다양한 사용 사례의 출발점으로 적합한 COCO 분할 사전 학습 모델도 지원합니다. 그런 다음 특정 요구 사항에 맞게 이러한 모델을 파인튜닝할 수 있습니다.

또한 자동차 부품 인스턴스 세그멘테이션, 균열 세그멘테이션, 산업용 패키지 세그멘테이션 등 다양한 데이터셋을 지원합니다. 문서에 안내된 단일 명령만으로 이러한 데이터셋에서 세그멘테이션 모델을 간편하게 학습할 수 있습니다:

yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

다음 소식도 기대해 주세요#

앞으로 공개될 영상에서는 사용자 고유의 데이터셋을 사용한 커스텀 학습과 추론을 다루며 Ultralytics YOLOv8을 더 자세히 살펴보겠습니다.

저희는 한 번에 하나의 세그먼트씩 AI와 머신러닝을 더 쉽게 사용할 수 있도록 노력하고 있습니다.

YouTube에서 전체 영상 보기.