Python에서 사전 학습된 Ultralytics YOLOv8 모델을 사용한 세그멘테이션

Ultralytics YOLOv8 모델을 활용한 객체 세그멘테이션의 세계를 살펴보겠습니다. 이 블로그 게시물에서는 Python에서 세그멘테이션을 손쉽게 설정하고 실행하는 방법을 안내합니다.

세그멘테이션을 위한 준비#

먼저 Ultralytics YOLOv8에 초점을 맞추어 시작하겠습니다. 이 강력한 모델은 설치가 매우 간단하며, 잠시 후면 모델의 세그멘테이션 기능을 바로 활용할 수 있습니다.

인스턴스 세그멘테이션은 이미지 내 개별 객체를 정확히 식별하고 배경과 분리하여 객체 검출보다 한 단계 더 나아갑니다.

출력에는 각 객체의 윤곽을 나타내는 마스크 또는 컨투어와 함께 클래스 라벨 및 신뢰도 점수가 포함됩니다. 이 기법은 정확한 객체 형태가 중요한 경우 매우 유용하며, 객체의 위치뿐만 아니라 형태에 대한 상세한 정보도 제공합니다.

몇 가지 간단한 명령만으로 명령줄에서 예측을 실행하고, Ultralytics YOLOv8이 제공하는 혁신성과 간편함을 직접 확인할 수 있습니다.

실시간 세그멘테이션: 이미지에 생동감 더하기#

실시간으로 세그멘테이션을 경험할 수 있는데 정적인 이미지에만 머물러야 할 이유가 있을까요? Python 스크립트를 통해 동적인 실시간 세그멘테이션의 세계로 들어갈 수 있습니다.

YOLO 클래스를 활용하고 OpenCV와 원활하게 통합하면 프로젝트에 생동감을 더하고, 진행하면서 숨겨진 인사이트와 패턴을 발견할 수 있습니다.

의자를 식별하는 것부터 식물을 구분하는 것까지, 가능성은 여러분의 상상력만큼이나 무궁무진합니다.

그림 1. Nicolai Nielsen이 COCO 세그멘테이션 사전 학습 모델의 윤곽을 표시하고 있습니다.

Ultralytics에서는 모든 사용 사례에 훌륭한 출발점이 되는 COCO 세그멘테이션 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. 문서에서 제공하는 단일 명령으로 이러한 데이터셋에 대한 세그멘테이션 모델 학습을 간단하게 수행할 수 있습니다:

계속 지켜봐 주세요#

다음 영상에서는 Ultralytics YOLOv8의 세계를 더욱 깊이 살펴보며, 여러분만의 데이터셋에서 커스텀 학습과 추론을 수행하는 방법을 알아보겠습니다.

저희는 한 번에 하나의 세그먼트씩 AI와 머신 러닝의 복잡성을 간소화하기 위해 노력합니다. Ultralytics YOLOv8과 같은 최첨단 기술의 잠재력을 개인과 조직 모두가 최대한 활용할 수 있도록 지원하는 것이 저희의 사명입니다. 저희의 안내와 여러분의 호기심이 함께한다면, 앞으로 어떤 놀라운 혁신이 기다리고 있을지는 아무도 알 수 없습니다.

Ultralytics YOLOv8의 잠재력을 최대한 활용하는 여정에 함께하세요. 전체 동영상을 전체 동영상 시청하기!