인스턴스 세그멘테이션이란 무엇인가요? 빠른 가이드

컴퓨터 비전 애플리케이션은 도로 상황을 모니터링하는 교통 카메라부터 매장의 셀프 계산대 시스템까지 일상생활에서 점점 더 흔해지고 있습니다. 머신이 사람과 유사한 방식으로 시각 데이터를 이해할 수 있도록 지원하는 비전 AI는 다양한 산업에 영향을 미치고 있습니다.

이러한 애플리케이션 중 상당수는 이미지에서 주요 객체 주위에 바운딩 박스를 표시하는 컴퓨터 비전 작업인 객체 감지에 의존합니다. 이 접근 방식은 대체로 잘 작동하지만, 일부 이미지 분석 솔루션에는 더욱 높은 정밀도가 필요합니다.

예를 들어 의료 영상에서는 종양을 감지하는 것만으로는 충분하지 않으며, 종양의 정확한 형태를 표시하는 것이 중요합니다. 마찬가지로 로보틱스에서는 머신이 객체를 올바르게 잡기 위해 객체의 정확한 윤곽을 인식해야 합니다. 인스턴스 세그멘테이션은 이러한 문제를 해결하기 위해 더욱 정밀한 솔루션을 제공합니다.

인스턴스 세그멘테이션은 객체를 감지하는 것만으로는 충분하지 않은 사용 사례를 지원하도록 설계된 컴퓨터 비전 작업으로, 픽셀 수준의 정확도를 제공합니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 사용하면 이미지와 동영상에 인스턴스 세그멘테이션을 쉽게 적용할 수 있습니다.

그림 1. 인스턴스 세그멘테이션에 YOLO11을 사용하는 예시입니다.

이 가이드에서는 인스턴스 세그멘테이션의 작동 방식과 응용 분야, 그리고 특정 세그멘테이션 작업에 맞게 Ultralytics YOLO11을 커스텀 학습하는 방법을 자세히 살펴봅니다.

인스턴스 세그멘테이션이란 무엇인가요?#

서로 가까이 서 있는 사람들이 모인 단체 사진을 예로 들어 보겠습니다. 객체 감지를 사용하면 각 사람 주위에 박스를 그릴 수 있지만, 각 사람의 정확한 형태까지 알 수는 없습니다.

반면 인스턴스 세그멘테이션은 각 사람의 주변을 세심하게 따라 그려 서로 겹쳐 있더라도 전체 윤곽을 확인할 수 있도록 하는 것과 유사합니다. 단순히 박스로 객체의 위치를 표시하는 대신, 각 객체의 정확한 형태를 픽셀 수준에서 식별하므로 복잡한 이미지를 더 쉽게 이해할 수 있습니다.

그 결과 객체의 형태를 채우는 상세한 마스크가 생성되어 어떤 픽셀이 해당 객체에 속하는지 정확히 표시합니다. 이러한 수준의 정밀도는 객체의 정확한 형태와 경계를 이해하는 것이 중요한 다양한 실제 애플리케이션에서 유용합니다.

그림 2. 인스턴스 세그멘테이션에 대한 Ultralytics YOLO11의 지원을 보여줍니다.

인스턴스 세그멘테이션과 시맨틱 세그멘테이션 비교#

인스턴스 세그멘테이션을 살펴보다 보면 시맨틱 세그멘테이션이라는 개념을 접할 수 있습니다.

두 기법 모두 컴퓨터가 픽셀 수준에서 이미지를 이해하도록 지원하지만, 목적은 서로 다릅니다. 시맨틱 세그멘테이션은 모든 픽셀에 카테고리를 기준으로 레이블을 지정하여 같은 유형의 객체를 모두 하나로 그룹화합니다. 예를 들어 여러 대의 자동차가 있는 이미지에서는 개별 차량을 구분하지 않고 모두 "car"로 표시합니다.

반면 인스턴스 세그멘테이션은 각 객체를 개별적으로 식별하여 한 단계 더 나아갑니다. 개별 인스턴스에 고유한 레이블을 할당하고 형태 주위에 정밀한 마스크를 생성합니다. 따라서 같은 이미지에서 인스턴스 세그멘테이션은 모든 대상을 단순히 "car"로 표시하는 것이 아니라 각 자동차를 개별적으로 인식하고 윤곽을 표시합니다.

두 기법의 주요 차이점은 시맨틱 세그멘테이션이 카테고리별로 객체를 그룹화하는 반면, 인스턴스 세그멘테이션은 명확한 경계를 가진 고유한 개체로 각 객체를 구분한다는 점입니다. 어떤 작업을 사용할지는 이미지에 무엇이 있는지만 알면 충분한지, 아니면 개별 객체를 구분하는 것이 중요한지와 같은 구체적인 애플리케이션에 따라 결정됩니다.

그림 3. 인스턴스 세그멘테이션과 시맨틱 세그멘테이션 비교(각각 오른쪽과 왼쪽).

널리 사용되는 인스턴스 세그멘테이션 모델#

오늘날 비전 AI 커뮤니티에서 사용할 수 있는 인스턴스 세그멘테이션 모델은 다양합니다. 어떤 모델은 더 빠르고, 어떤 모델은 더 정확하며, 어떤 모델은 사용하기 더 쉽습니다.

이러한 옵션은 유용하지만 특정 작업에 어떤 모델을 사용해야 할지 고민하게 만들 수 있습니다. 여러 옵션 중 Ultralytics YOLO 모델은 속도와 정확도에 중점을 두기 때문에 매우 인기가 높습니다.

또한 이러한 모델은 수년에 걸쳐 크게 발전했습니다. 예를 들어 Ultralytics YOLOv5는 PyTorch와 같은 프레임워크를 사용하여 배포를 간소화했으며, 깊은 기술 전문 지식이 없어도 고급 비전 AI를 더 많은 사용자가 이용할 수 있도록 했습니다.

이러한 성공을 바탕으로 Ultralytics YOLOv8은 인스턴스 세그멘테이션, 포즈 추정, 이미지 분류와 같은 컴퓨터 비전 작업에 대한 지원을 강화했습니다.

이제 Ultralytics YOLO11은 성능을 한 단계 더 높였습니다. YOLOv8m보다 파라미터가 22% 적으면서 COCO 데이터셋에서 더 높은 평균 정밀도(mAP)를 달성하므로, 더 적은 리소스를 사용하면서도 객체를 더욱 정밀하게 인식할 수 있습니다.

그림 4. YOLO11 벤치마킹.

간단히 말해 Ultralytics YOLO11은 효율성을 저해하지 않으면서 최첨단 정확도를 제공하므로 이 분야의 판도를 바꾸는 모델입니다.

인스턴스 세그멘테이션의 작동 방식 이해하기#

이제 인스턴스 세그멘테이션이 일반적으로 어떻게 작동하는지 살펴보겠습니다. 기존 컴퓨터 비전 모델은 2단계 접근 방식을 사용합니다.

먼저 객체 주위에 바운딩 박스를 그려 객체를 감지합니다. 그런 다음 각 객체의 정확한 형태를 표시하는 픽셀 수준의 마스크를 생성합니다. 잘 알려진 예로 Mask R-CNN이 있으며, 이는 마스크 예측 단계를 추가하여 객체 감지 모델을 확장합니다. 이 방법은 효과적이지만 이미지를 여러 단계로 처리하기 때문에 느릴 수 있으며, 실시간 애플리케이션을 더욱 어렵게 만듭니다.

한편 Ultralytics YOLO11과 같은 모델은 이미지를 한 번에 처리하면서 객체 바운딩 박스와 인스턴스 세그멘테이션 마스크를 동시에 예측합니다. 이러한 간소화된 접근 방식은 높은 정확도를 유지하면서도 훨씬 더 빠른 처리를 가능하게 합니다. 따라서 속도와 정밀도가 모두 중요한 자율주행, 동영상 분석, 로보틱스와 같은 실시간 애플리케이션에 특히 유용합니다.

인스턴스 세그멘테이션을 위한 Ultralytics YOLO11 커스텀 학습#

YOLO11은 기본적으로 사전 학습된 모델로 제공됩니다. 인스턴스 세그멘테이션을 위해 일상적인 객체를 다루는 COCO-Seg 데이터셋으로 학습되었습니다. 그러나 Ultralytics Python 패키지는 커스텀 학습을 지원하므로, 고유한 객체를 세그멘테이션해야 하는 특수한 애플리케이션에 필수적입니다.

모델을 커스텀 학습하거나 파인튜닝하는 것이 중요한 이유는 무엇일까요? 커스텀 학습은 사전 학습된 모델에 이미 내재된 지식을 기반으로 전이 학습을 활용합니다. 처음부터 시작하는 대신 더 작은 데이터셋과 적은 컴퓨팅 리소스를 사용하여 기존 모델을 새로운 작업에 맞게 조정하면서도 높은 정확도를 유지합니다.

Ultralytics YOLO11을 커스텀 학습하는 방법#

인스턴스 세그멘테이션을 위해 Ultralytics YOLO11을 파인튜닝하는 데 필요한 단계를 자세히 살펴보겠습니다.

• 데이터 준비: 특정 애플리케이션에 맞는 이미지를 수집하고 어노테이션을 지정합니다. Ultralytics는 다양한 이미지 데이터셋을 지원하지만, 필요한 YOLO 형식으로 이미지와 어노테이션을 준비하여 자체 데이터셋으로 학습할 수도 있습니다.
• 사전 학습된 모델 사용: 처음부터 시작하는 대신 사전 학습된 Ultralytics YOLO11 모델을 사용합니다.
• 모델 학습: 배치 크기(반복마다 처리되는 이미지 수), 이미지 크기(목표 입력 해상도), 에포크(전체 학습 사이클 수)와 같은 주요 학습 설정을 조정한 후 모델을 학습합니다.
• 성능 평가: 모델 학습이 완료되면 mAP와 같은 성능 메트릭을 사용하여 모델의 정확도를 테스트할 수 있습니다. Ultralytics Python 패키지는 모델 평가를 위한 내장 함수도 제공합니다.

Ultralytics YOLO11이 지원하는 인스턴스 세그멘테이션 애플리케이션#

인스턴스 세그멘테이션은 머신이 객체를 더욱 정확하게 보고 이해하도록 지원하여 실제 문제를 해결하는 데 사용될 수 있습니다. 자동화를 개선하는 것부터 환경을 보호하는 것까지 다양한 분야에서 핵심적인 역할을 합니다. 인스턴스 세그멘테이션이 영향을 미치는 몇 가지 사례를 살펴보겠습니다.

Ultralytics YOLO11을 활용한 건설 현장 안전 및 모니터링#

인스턴스 세그멘테이션은 건설 현장의 안전과 효율성을 보장하는 데 중요한 역할을 할 수 있습니다. 예를 들어 중장비를 모니터링하는 데 사용할 수 있습니다.

Ultralytics YOLO11을 파인튜닝하면 크레인, 굴착기, 불도저와 같은 다양한 유형의 장비를 정확하게 세그멘테이션하고 식별하며 실시간으로 위치를 추적할 수 있습니다. 이를 통해 현장 관리자는 장비가 지정된 구역 내에서만 작동하고 작업자가 있거나 위험 요소가 존재하는 구역을 침범하지 않는지 확인할 수 있습니다.

또한 이러한 솔루션을 실시간 알림 시스템과 통합하면 신속한 시정 조치를 취할 수 있습니다. 이와 함께 수집된 인사이트는 현장 배치와 작업 흐름을 최적화하여 위험을 더욱 줄이고 생산성을 높이는 데 도움이 될 수 있습니다.

그림 5. Ultralytics YOLO11을 사용한 중장비 모니터링.

세그멘테이션과 Ultralytics YOLO11을 활용한 동물 모니터링#

동물 행동 모니터링은 연구자, 농부, 환경 보호 활동가가 다양한 환경에서 동물을 더 잘 돌볼 수 있도록 지원합니다. 인스턴스 세그멘테이션은 농장, 동물원, 자연 서식지에서 개별 동물을 식별하고 세그멘테이션하여 이러한 시스템에서 유용한 역할을 합니다. 바운딩 박스를 사용하는 기존 객체 감지와 달리 인스턴스 세그멘테이션은 각 동물을 픽셀 수준으로 구분하므로 동물들이 서로 가까이 있을 때 특히 유용합니다.

상세한 세그멘테이션은 움직임과 행동을 더욱 정확하게 추적할 수 있도록 합니다. 서로 겹치거나 밀집해 있는 동물도 명확하게 인식할 수 있으며, 상호작용, 건강 상태 평가, 활동 패턴을 더욱 정밀하게 분석할 수 있습니다. 전반적으로 동물 행동에 대한 심층적인 인사이트는 동물 돌봄 및 관리 방식을 개선합니다.

그림 6. 인스턴스 세그멘테이션을 사용한 소 모니터링.

스포츠 분석 및 선수 추적에서의 Ultralytics YOLO11#

정확한 선수 및 이벤트 추적은 스포츠 분석에서 매우 중요한 부분입니다. 기존 추적 방식은 수동 태깅에 의존하므로 세부적인 상호작용을 포착하지 못할 수 있습니다. 컴퓨터 비전을 사용하면 각 선수, 공, 주요 이벤트와 같은 세부 요소를 픽셀 수준에서 세그멘테이션하여 상세한 인사이트를 얻을 수 있습니다.

예를 들어 인스턴스 세그멘테이션은 각 선수와 객체를 명확하게 분리하여 파울이나 공과 무관한 사건과 같은 이벤트를 감지하는 데 도움이 될 수 있습니다. Ultralytics YOLO11과 같은 모델이 지원하는 이러한 세밀한 모니터링은 분석가에게 이동 패턴, 공간적 위치, 상호작용을 높은 정확도로 연구할 수 있는 더욱 명확한 정보를 제공합니다. 이러한 인사이트의 주요 이점은 팀이 전략을 개선하고 전반적인 성과를 높이는 데 도움이 된다는 점입니다.

인스턴스 세그멘테이션의 장단점#

인스턴스 세그멘테이션이 다양한 산업에 제공할 수 있는 주요 이점은 다음과 같습니다.

• 향상된 자동화: 품질 관리 및 안전 모니터링과 같은 작업을 자동화하여 인스턴스 세그멘테이션은 수동 개입의 필요성을 줄이고 사람의 실수를 최소화합니다.
• 향상된 장면 이해: 각 객체의 윤곽을 정확하게 표시함으로써 인스턴스 세그멘테이션은 복잡한 장면에 대한 심층적인 이해를 지원하고 더욱 합리적인 의사 결정에 기여합니다.
• 효율적인 후처리: 픽셀 수준의 출력은 배경 제거, 객체 수 계산, 공간 분석과 같은 작업을 간소화하여 추가 처리 단계의 필요성을 줄입니다.

이러한 이점은 인스턴스 세그멘테이션이 다양한 사용 사례에 미치는 영향을 보여주지만, 구현 과정에서 발생하는 문제도 고려해야 합니다.

인스턴스 세그멘테이션의 주요 한계는 다음과 같습니다.

• 투명성 관련 문제: 유리와 물처럼 투명하거나 반사되는 객체는 세그멘테이션하기 어려워 부정확한 경계가 생성될 수 있습니다.
• 유지 관리 부담: 모델의 정확도와 관련성을 유지하려면 환경 조건과 데이터셋이 변경됨에 따라 지속적인 업데이트와 파인튜닝이 필요합니다.
• 높은 어노테이션 작업량: 인스턴스 세그멘테이션 모델을 학습하려면 상세한 픽셀 수준 어노테이션이 필요하므로 데이터 준비에 소요되는 시간과 비용이 크게 증가합니다.

핵심 요점#

인스턴스 세그멘테이션을 사용하면 객체가 서로 겹쳐 있더라도 개별 객체를 정밀하게 구분할 수 있습니다. 객체의 경계를 픽셀 수준에서 포착하므로 객체 감지와 같은 기존 컴퓨터 비전 작업보다 시각 데이터에 대한 더 깊은 이해를 제공합니다.

최근 컴퓨터 비전의 발전으로 인스턴스 세그멘테이션은 더욱 빠르고 사용하기 쉬워졌습니다. 특히 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 프로세스를 간소화하여 최소한의 설정만으로 실시간 세그멘테이션을 지원하므로 다양한 산업과 애플리케이션에서 더욱 쉽게 활용할 수 있습니다.

AI가 궁금하신가요? GitHub 리포지토리를 방문하고 커뮤니티에 참여하여 계속해서 탐색해 보세요. 솔루션 페이지에서 자율주행 자동차의 AI와 농업의 비전 AI 같은 혁신에 대해 알아보세요. 라이선스 옵션을 확인하고 컴퓨터 비전 프로젝트를 시작해 보세요!