Image Segmentation

이미지 세그멘테이션은 컴퓨터 비전 (CV)의 정교한 기술로, 디지털 이미지를 여러 픽셀 하위 그룹으로 분할하며 이를 이미지 세그먼트 또는 영역이라고 부르는 경우가 많습니다. 전체 이미지에 단일 레이블을 할당하는 일반적인 이미지 분류와 달리, 세그멘테이션은 각 개별 픽셀에 특정 클래스 레이블을 할당하여 시각 데이터를 훨씬 더 세밀한 수준에서 분석합니다. 이 프로세스는 정밀한 픽셀 수준의 맵을 생성하므로, 인공지능 (AI) 모델이 어떤 객체가 존재하는지뿐만 아니라 객체가 정확히 어디에 위치하며 구체적인 경계가 무엇인지까지 이해할 수 있습니다.

픽셀 수준 분석의 작동 원리#

이처럼 높은 수준의 정밀도로 이해하려면 세그멘테이션 모델은 일반적으로 딥러닝 (DL) 아키텍처, 특히 합성곱 신경망 (CNNs)을 활용합니다. 이러한 네트워크는 강력한 특징 추출기 역할을 하며, 에지, 텍스처, 복잡한 형태와 같은 패턴을 식별합니다. 기존 세그멘테이션 아키텍처인 고전적인 U-Net은 흔히 인코더-디코더 구조를 사용합니다. 인코더는 입력 이미지를 압축하여 의미론적 맥락을 포착하고, 디코더는 공간적 세부 정보를 재구성하여 최종 세그멘테이션 마스크를 출력합니다.

최근의 발전으로 2026년 1월에 출시된 YOLO26과 같은 실시간 아키텍처가 등장했습니다. 이러한 모델은 세그멘테이션 기능을 엔드투엔드 파이프라인에 직접 통합하여 클라우드 GPU부터 엣지 디바이스까지 다양한 하드웨어에서 고속 처리를 지원합니다.

세그멘테이션의 주요 유형#

프로젝트의 구체적인 목표에 따라 개발자는 일반적으로 다음 세 가지 주요 세그멘테이션 기법 중 하나를 선택합니다:

• 시맨틱 세그멘테이션: 이 방법은 픽셀을 해당 범주에 따라 분류하지만 동일한 클래스에 속하는 개별 객체를 구분하지는 않습니다. 예를 들어 위성 이미지 분석에서는 "forest"를 나타내는 모든 픽셀이 녹색으로 표시되어 전체 숲을 하나의 개체로 취급합니다.
• 인스턴스 세그멘테이션: 이 기법은 관심 대상인 서로 다른 개별 객체를 식별하고 분리합니다. 복잡한 거리 장면에서는 인스턴스 세그멘테이션이 "Car A", "Car B", "Pedestrian A"에 대해 각각 고유한 마스크를 생성하여 시스템이 특정 개체를 세고 추적할 수 있도록 합니다. 이는 Ultralytics YOLO26 모델 제품군의 핵심 기능입니다.
• 파놉틱 세그멘테이션: 시맨틱 세그멘테이션의 포괄성과 인스턴스 세그멘테이션의 정밀도를 결합한 하이브리드 접근 방식입니다. 모든 픽셀에 레이블을 할당하고 하늘과 도로 같은 형태가 일정하지 않은 배경 요소를 구분하는 동시에, 개수를 셀 수 있는 전경 객체를 고유하게 식별합니다.

객체 검출과의 차이#

세그멘테이션과 객체 검출을 구분하는 것은 매우 중요합니다. 검출 알고리즘은 직사각형 바운딩 박스를 사용하여 항목의 위치를 찾지만, 이 박스 안에 배경 픽셀이 포함되는 것을 피할 수 없습니다. 세그멘테이션은 객체의 정확한 윤곽선 또는 폴리곤을 추적하여 더 밀착되고 정확한 표현을 제공합니다. 이러한 차이는 로봇 그리핑과 같은 애플리케이션에서 매우 중요합니다. 로봇 팔이 충돌 없이 물체를 조작하려면 해당 물체의 정확한 기하학적 구조를 알아야 하기 때문입니다.

실제 적용 사례#

이미지 세그멘테이션이 제공하는 정밀도는 다양한 산업 분야의 혁신을 촉진합니다:

• 의료 진단: 의료 이미지 분석 분야에서 세그멘테이션은 해부학적 구조의 윤곽을 지정하는 데 필수적입니다. 알고리즘은 MRI 스캔을 분석하여 종양 또는 장기 경계를 구분하므로, 외과의가 정확한 부피를 계산하고 생명을 구할 수 있을 정도의 정밀도로 시술을 계획할 수 있습니다.
• 자율주행: 자율주행 차량은 안전한 주행을 위해 세그멘테이션에 의존합니다. 차량의 컴퓨터는 비디오 피드를 처리하여 주행 가능 차선을 보도 및 장애물과 구분할 수 있습니다. SAE International과 같은 표준 기관은 이처럼 높은 정밀도의 환경 인식이 필요한 자율주행 수준을 정의합니다.
• 정밀 농업: 농업 분야의 AI에서 세그멘테이션은 로봇 시스템이 작물 사이의 잡초를 식별하도록 지원합니다. 특정 식물 잎에 대한 마스크를 생성하면 자동 분무기가 침입종에만 약제를 살포할 수 있어 제초제 사용량을 크게 줄일 수 있습니다.

Ultralytics YOLO26으로 세그멘테이션 구현#

개발자는 ultralytics Python 패키지를 사용하여 인스턴스 세그멘테이션을 효율적으로 구현할 수 있습니다. 다음 예제에서는 속도와 정확도 모두에 최적화된 최신 YOLO26 모델을 사용합니다.

from ultralytics import YOLO

# Load a pre-trained YOLO26 segmentation model
# 'n' denotes the nano version, optimized for speed
model = YOLO("yolo26n-seg.pt")

# Run inference on an image to generate masks
# The model identifies objects and outlines their shape
results = model("https://ultralytics.com/images/bus.jpg")

# Display the image with segmentation overlays
results[0].show()

사용자 지정 작업에서 높은 성능을 달성하려면 팀에서 고품질 학습 데이터를 선별해야 하는 경우가 많습니다. Ultralytics Platform은 폴리곤 마스크를 사용한 이미지 어노테이션, 데이터셋 관리, 클라우드에서의 모델 학습을 위한 도구를 제공하여 이 프로세스를 간소화하고 전체 머신러닝 운영 (MLOps) 수명 주기를 효율적으로 관리할 수 있도록 지원합니다. OpenCV와 같은 라이브러리도 이러한 모델과 함께 이미지의 전처리 및 생성된 마스크의 후처리에 자주 사용됩니다.