Image Segmentation

이미지 세그멘테이션은 컴퓨터 비전(CV) 분야의 정교한 기술로, 디지털 이미지를 이미지 세그먼트 또는 영역이라고 하는 여러 픽셀 하위 그룹으로 나누는 작업을 포함합니다. 전체 이미지에 단일 레이블을 할당하는 일반적인 이미지 분류와 달리, 세그멘테이션은 모든 개별 픽셀에 특정 클래스 레이블을 할당하여 훨씬 더 세밀한 수준에서 시각적 데이터를 분석합니다. 이 과정은 정밀한 픽셀 단위 맵을 생성하여 인공지능(AI) 모델이 단순히 어떤 객체가 존재하는지뿐만 아니라, 그 객체가 정확히 어디에 위치하며 구체적인 경계가 무엇인지 이해할 수 있도록 합니다.

Link to this section픽셀 단위 분석의 메커니즘#

이러한 높은 수준의 이해를 달성하기 위해 세그멘테이션 모델은 일반적으로 딥러닝(DL) 아키텍처, 특히 합성곱 신경망(CNN)을 활용합니다. 이러한 네트워크는 강력한 특징 추출기 역할을 하여 가장자리, 질감, 복잡한 형태와 같은 패턴을 식별합니다. 고전적인 U-Net과 같은 전통적인 세그멘테이션 아키텍처는 주로 인코더-디코더 구조를 사용합니다. 인코더는 입력 이미지를 압축하여 의미론적 맥락을 포착하고, 디코더는 공간적 세부 정보를 재구성하여 최종 세그멘테이션 마스크를 출력합니다.

최신 기술 발전으로 2026년 1월에 출시된 YOLO26과 같은 실시간 아키텍처가 등장했습니다. 이러한 모델은 세그멘테이션 기능을 엔드투엔드 파이프라인에 직접 통합하여 클라우드 GPU부터 에지 장치에 이르는 다양한 하드웨어에서 고속 처리를 가능하게 합니다.

Link to this section세그멘테이션의 주요 유형#

프로젝트의 구체적인 목표에 따라 개발자는 일반적으로 세 가지 주요 세그멘테이션 기술 중 하나를 선택합니다.

• 시맨틱 세그멘테이션: 이 방법은 카테고리에 따라 픽셀을 분류하지만 같은 클래스의 개별 객체는 구분하지 않습니다. 예를 들어 위성 이미지 분석에서 "숲"을 나타내는 모든 픽셀은 녹색으로 표시되며, 숲 전체를 하나의 단일 개체로 취급합니다.
• 인스턴스 세그멘테이션: 이 기술은 관심 있는 개별 객체를 식별하고 분리합니다. 복잡한 거리 장면에서 인스턴스 세그멘테이션은 "자동차 A", "자동차 B", "보행자 A"에 대해 각각 고유한 마스크를 생성하여 시스템이 특정 개체를 카운팅하고 추적할 수 있도록 합니다. 이는 Ultralytics YOLO26 모델 제품군의 핵심 기능입니다.
• 파놉틱 세그멘테이션: 시맨틱 세그멘테이션의 커버리지와 인스턴스 세그멘테이션의 정밀도를 결합한 하이브리드 접근 방식입니다. 모든 픽셀에 레이블을 할당하여 하늘이나 도로와 같은 무정형 배경 요소를 구분하는 동시에, 셀 수 있는 전경 객체를 고유하게 식별합니다.

Link to this section객체 검출과의 차이점#

세그멘테이션을 객체 검출과 구분하는 것이 중요합니다. 검출 알고리즘은 직사각형 바운딩 박스를 사용하여 항목을 로컬라이징하지만, 필연적으로 해당 상자 안에 배경 픽셀을 포함하게 됩니다. 세그멘테이션은 객체의 정확한 윤곽선이나 다각형을 추적하여 더 정밀하고 정확한 표현을 제공합니다. 이러한 차이는 로봇 팔이 충돌 없이 항목을 조작하기 위해 정확한 기하학적 형태를 알아야 하는 로봇 파지와 같은 애플리케이션에서 매우 중요합니다.

Link to this section실제 애플리케이션 사례#

이미지 세그멘테이션이 제공하는 정밀도는 다양한 산업 분야의 혁신을 주도하고 있습니다.

• 의료 진단: 의료 이미지 분석 분야에서 세그멘테이션은 해부학적 구조의 윤곽을 파악하는 데 필수적입니다. 알고리즘은 MRI 스캔을 분석하여 종양이나 장기의 경계를 명확하게 구분하며, 이를 통해 외과의사는 정확한 부피를 계산하고 생명을 구하는 정밀한 수술 계획을 세울 수 있습니다.
• 자율 주행: 자율 주행 차량은 안전한 주행을 위해 세그멘테이션에 의존합니다. 차량의 컴퓨터는 비디오 피드를 처리하여 주행 가능한 차선과 인도 및 장애물을 구분할 수 있습니다. SAE International과 같은 표준화 기구는 이러한 고충실도 환경 인식을 요구하는 자율 주행 레벨을 정의합니다.
• 정밀 농업: 농업 분야의 AI에서 세그멘테이션은 로봇 시스템이 작물 사이의 잡초를 식별하도록 돕습니다. 특정 식물 잎에 대한 마스크를 생성함으로써 자동 살포기는 침입종만 타겟팅하여 제초제 사용량을 크게 줄일 수 있습니다.

Link to this sectionYOLO26을 사용한 세그멘테이션 구현#

개발자는 ultralytics Python 패키지를 사용하여 인스턴스 세그멘테이션을 효율적으로 구현할 수 있습니다. 다음 예제는 속도와 정확도 모두에 최적화된 최첨단 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 달성하기 위해 팀은 종종 고품질 학습 데이터를 큐레이션해야 합니다. Ultralytics Platform은 다각형 마스크로 이미지에 주석을 달고, 데이터셋을 관리하며, 클라우드에서 모델을 학습시키는 도구를 제공하여 전체 머신러닝 운영(MLOps) 수명 주기를 간소화합니다. OpenCV와 같은 라이브러리도 이러한 모델과 함께 이미지 전처리 및 결과 마스크의 후처리를 위해 자주 사용됩니다.