Image Segmentation

이미지 세그멘테이션은 컴퓨터 비전 (CV) 분야의 정교한 기술로, 디지털 이미지를 종종 이미지 세그먼트 또는 영역이라고 불리는 여러 픽셀 하위 그룹으로 분할하는 작업을 포함합니다. 전체 이미지에 단일 레이블을 할당하는 표준 이미지 분류와 달리, 세그멘테이션은 모든 개별 픽셀에 특정 클래스 레이블을 할당하여 훨씬 더 세밀한 수준에서 시각적 데이터를 분석합니다. 이 프로세스는 정확한 픽셀 수준의 맵을 생성하여 인공지능 (AI) 모델이 어떤 객체가 존재하는지뿐만 아니라 정확히 어디에 위치해 있고 특정 경계가 무엇인지 파악할 수 있도록 합니다.

픽셀 단위 분석의 메커니즘#

이러한 고 fidelity 이해를 달성하기 위해, 세그멘테이션 모델은 일반적으로 딥러닝 (DL) 아키텍처, 특히 합성곱 신경망 (CNN)을 활용합니다. 이러한 네트워크는 강력한 피처 추출기 역할을 하여 모서리, 텍스처, 복잡한 모양과 같은 패턴을 식별합니다. 클래식 U-Net과 같은 전통적인 세그멘테이션 아키텍처는 종종 인코더-디코더 구조를 채택합니다. 인코더는 입력 이미지를 압축하여 시맨틱 컨텍스트를 캡처하는 반면, 디코더는 공간적 세부 정보를 재구성하여 최종 세그멘테이션 마스크를 출력합니다.

현대적인 발전은 2026년 1월에 출시된 YOLO26과 같은 실시간 아키텍처로 이어졌습니다. 이러한 모델은 세그멘테이션 기능을 엔드투엔드 파이프라인에 직접 통합하여 클라우드 GPU부터 엣지 디바이스에 이르기까지 다양한 하드웨어에서 고속 처리를 가능하게 합니다.

세그멘테이션의 주요 유형#

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

• 시맨틱 세그멘테이션: 이 메서드는 카테고리에 따라 픽셀을 분류하지만 동일한 클래스의 개별 객체들을 구별하지는 않습니다. 예를 들어 위성 이미지 분석에서는 "숲"을 나타내는 모든 픽셀이 녹색으로 칠해져 전체 숲을 단일 엔티티로 취급합니다.
• 인스턴스 세그멘테이션: 이 기술은 관심 있는 뚜렷한 개별 객체들을 식별하고 분리합니다. 번잡한 거리 장면에서 인스턴스 세그멘테이션은 "자동차 A", "자동차 B", "보행자 A"에 대한 고유한 마스크를 생성하여 시스템이 특정 엔티티를 카운트하고 추적할 수 있도록 합니다. 이것은 Ultralytics YOLO26 모델군의 핵심 기능입니다.
• 파노픽 세그멘테이션: 시맨틱 세그멘테이션의 커버리지와 인스턴스 세그멘테이션의 정밀도를 결합한 하이브리드 접근 방식입니다. 모든 픽셀에 레이블을 할당하여 카운트 가능한 전경 객체를 고유하게 식별하는 동시에 형태가 없는 배경 요소(예: 하늘과 도로)를 구별합니다.

객체 검출과의 차이점#

세그멘테이션을 객체 감지와 구별하는 것은 매우 중요합니다. 감지 알고리즘은 직사각형 바운딩 박스를 사용하여 항목을 현지화하지만, 해당 박스 내에 배경 픽셀이 불가피하게 포함됩니다. 세그멘테이션은 객체의 정확한 윤곽이나 다각형을 추적하여 더 타이트하고 정확한 표현을 제공합니다. 이 차이는 로봇 팔이 충돌 없이 항목을 조작하기 위해 항목의 정확한 기하학적 구조를 알아야 하는 로봇 그래스핑 같은 애플리케이션에 매우 중요합니다.

실제 애플리케이션 사례#

이미지 세그멘테이션이 제공하는 정밀도는 다양한 산업 분야의 혁신을 주도하고 있습니다.

• 의료 진단: 의료 이미지 분석 분야에서 세그멘테이션은 해부학적 구조를 윤곽 긋는 데 필수적입니다. 알고리즘은 MRI 스캔을 분석하여 종양이나 장기 경계를 묘사함으로써 외과의사가 정확한 부피를 계산하고 생명을 구하는 정확도로 시술을 계획할 수 있도록 합니다.
• 자율주행: 자율주행 차량은 안전하게 주행하기 위해 세그멘테이션에 의존합니다. 비디오 피드를 처리함으로써 차량의 컴퓨터는 주행 가능 차선을 보도 및 장애물과 구별할 수 있습니다. SAE International과 같은 표준화 기구는 이러한 고 fidelity 환경 인식이 필요한 자율주행 단계를 정의합니다.
• 정밀 농업: 농업 분야의 AI에서 세그멘테이션은 로봇 시스템이 작물 속의 잡초를 식별하는 데 도움을 줍니다. 특정 식물 잎에 대한 마스크를 생성함으로써 자동 살포기는 침입종만을 타겟으로 삼아 제초제 사용량을 크게 줄일 수 있습니다.

Ultralytics YOLO26을 이용한 세그멘테이션 구현#

개발자는 ultralytics Python 패키지를 사용하여 효율적으로 인스턴스 세그멘테이션을 구현할 수 있습니다. 다음 예제는 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()

맞춤형 작업에서 고성능을 달성하기 위해 팀은 종종 고품질 학습 데이터를 큐레이션해야 합니다. Ultralytics Platform은 폴리곤 마스크로 이미지 주석을 달고, 데이터셋을 관리하고, 클라우드에서 모델을 학습시킬 수 있는 도구를 제공하여 전체 머신러닝 운영 (MLOps) 라이프사이클을 간소화함으로써 이 프로세스를 단순화합니다. OpenCV와 같은 라이브러리도 이미지 전처리 및 결과 마스크 후처리를 위해 이러한 모델과 함께 자주 사용됩니다.