이미지 분할

이미지 분할은 디지털 이미지를 여러 개의 뚜렷한 영역 또는 세그먼트로 분할하는 기본적인 컴퓨터 비전(CV) 작업입니다. 목표는 이미지의 모든 픽셀에 특정 레이블을 할당하여 객체와 배경의 픽셀 수준 맵을 효과적으로 생성하는 것입니다. 간단한 상자로 객체의 위치를 식별할 수 있는 다른 CV 작업과 달리 이미지 분할은 각 객체의 정확한 모양을 윤곽선으로 표시하여 훨씬 더 자세한 이해를 제공합니다. 이러한 세분화된 세부 정보는 장면의 기하학적 구조와 구성을 깊이 이해해야 하는 애플리케이션에 매우 중요하며, 이는 많은 고급 AI 애플리케이션의 기본 프로세스입니다.

이미지 분할 유형

이미지 분할은 세 가지 주요 유형으로 분류할 수 있으며, 각 유형은 서로 다른 수준의 세부 정보를 제공하고 뚜렷한 목적을 수행합니다.

• 의미론적 분할(Semantic Segmentation): 이 기술은 이미지의 각 픽셀을 "자동차", "도로" 또는 "하늘"과 같은 미리 정의된 범주로 분류합니다. 동일한 객체 클래스의 모든 인스턴스는 단일 레이블로 그룹화됩니다. 예를 들어, 여러 대의 자동차가 있는 이미지에서 의미론적 분할은 모든 자동차에 속하는 모든 픽셀에 단순히 "자동차"로 레이블을 지정하고, 한 자동차를 다른 자동차와 구별하지 않습니다.
• Instance Segmentation: 이 방법은 각 픽셀을 분류할 뿐만 아니라 동일한 클래스의 개별 인스턴스를 구별하여 분할을 한 단계 더 발전시킵니다. 동일한 거리 장면에서 인스턴스 분할은 각 차량을 고유한 객체로 식별하여 "차량 1", "차량 2" 등에 별도의 마스크를 할당합니다. 이는 개별 객체를 계산하거나 추적해야 할 때 특히 유용합니다.
• Panoptic Segmentation: 하이브리드 접근 방식인 Panoptic Segmentation은 시맨틱 분할과 인스턴스 분할의 강점을 결합합니다. 이는 모든 단일 픽셀에 클래스 레이블을 할당(시맨틱 분할과 같이)하는 동시에 각 객체 인스턴스를 고유하게 식별(인스턴스 분할과 같이)하여 장면을 완전하고 통합적으로 이해하는 것을 목표로 합니다. 이는 사용 가능한 가장 포괄적인 장면 분석을 제공합니다.

이미지 분할은 다른 CV 작업과 어떻게 다른가요?

이미지 분할을 다른 일반적인 컴퓨터 비전 작업과 구별하는 것이 중요합니다.

• Image Classification: 전체 이미지에 단일 레이블을 할당하는 데 중점을 둡니다(예: "이것은 해변 사진입니다."). 이미지에 무엇이 있는지 이해하지만 어디에 있는지는 알지 못합니다.
• 객체 감지: 일반적으로 경계 상자를 그려 이미지 내에서 객체를 식별하고 찾습니다. 이는 어떤 객체가 있는지, 대략적인 위치는 알려주지만 정확한 모양은 알려주지 않습니다.
• 이미지 분할(Image Segmentation): 픽셀 수준에서 각 객체의 정확한 경계를 윤곽으로 표시하여 객체의 모양과 위치에 대한 정확한 이해를 제공함으로써 가장 자세한 정보를 제공합니다.

응용 분야 및 사용 사례

이미지 분할의 자세한 출력은 다양한 분야에서 매우 유용합니다.

• 자율 주행 차량: 자율 주행 자동차가 안전하게 탐색하려면 환경에 대한 정확한 이해가 필요합니다. 분할 모델은 도로, 차선, 보행자, 다른 차량 및 장애물의 정확한 경계를 식별하여 더 나은 경로 계획 및 의사 결정을 가능하게 합니다. 자동차 산업에서 AI의 역할에 대해 자세히 알아볼 수 있습니다.
• 의료 영상 분석: 의료 분야에서 세분화는 MRI 또는 CT 스캔과 같은 의료 스캔을 분석하는 데 사용됩니다. 종양, 장기 또는 이상 징후를 정확하게 윤곽을 그리으로써 의사가 정확한 진단, 수술 계획 및 질병 진행 상황 모니터링을 지원합니다. 이는 생물 의학 환경에서 뛰어난 성능을 보이는 U-Net과 같은 아키텍처의 주요 응용 분야였습니다.
• 위성 이미지 분석(Satellite Image Analysis): 분할 모델은 위성 이미지를 처리하여 삼림 벌채 또는 도시화와 같은 환경 변화를 모니터링합니다. 토지 피복(예: 숲, 물, 도시 지역)을 분류하고 지도 제작 및 정보 수집을 위해 건물 또는 선박과 같은 개별 객체를 감지할 수 있습니다.
• 제조 및 로봇 공학: 자동화된 공장에서 세분화는 로봇이 조립을 위해 컨베이어 벨트의 특정 부품을 식별하거나 높은 정밀도로 결함을 감지하여 품질 관리를 수행하는 데 도움이 됩니다. 균열 세분화에서의 사용에 대해 자세히 알아볼 수 있습니다.

이미지 분할 및 Ultralytics YOLO

최신 딥러닝 모델, 특히 합성곱 신경망(CNNs) 기반 모델은 이미지 분할의 표준입니다. Ultralytics YOLO 모델은 YOLOv8과 최신 YOLO11을 포함하여 고성능 실시간 분할 기능을 제공합니다. 이러한 모델은 COCO와 같은 표준 데이터 세트나 특수 작업을 위한 사용자 지정 데이터 세트에서 쉽게 학습할 수 있습니다.

Ultralytics 프레임워크는 모델 학습부터 성능 검증 및 추론을 위한 배포에 이르기까지 전체 워크플로를 간소화합니다. 실습 가이드의 경우 Google Colab에서 YOLO11을 사용한 이미지 분할에 대한 자습서를 따르거나 분할된 객체를 격리하는 방법을 배울 수 있습니다. Ultralytics HUB와 같은 도구는 데이터 세트 관리, 클라우드 리소스를 사용한 모델 학습 및 실제 애플리케이션에 배포하기 위한 노코드 솔루션을 제공합니다.