이미지 세분화

이미지 분할은 디지털 이미지를 여러 개의 별개의 영역 또는 세그먼트로 분할하는 기본적인 컴퓨터 비전(CV) 작업입니다. 목표는 이미지의 모든 픽셀에 특정 레이블을 할당하여 객체와 배경의 픽셀 수준 맵을 효과적으로 생성하는 것입니다. 단순한 상자로 물체의 위치를 식별하는 다른 CV 작업과 달리 이미지 분할은 각 물체의 정확한 모양을 윤곽선으로 표시하여 훨씬 더 상세한 이해를 제공합니다. 이러한 세밀한 디테일은 장면의 지오메트리와 구성을 깊이 이해해야 하는 애플리케이션에 매우 중요합니다. 이 프로세스는 많은 고급 AI 애플리케이션의 기본입니다.

이미지 세분화 유형

이미지 세분화는 세 가지 주요 유형으로 분류할 수 있으며, 각각 다른 수준의 세부 정보를 제공하고 고유한 용도로 사용할 수 있습니다:

• 시맨틱 세분화: 이 기술은 이미지의 각 픽셀을 "자동차", "도로" 또는 "하늘"과 같이 미리 정의된 카테고리로 분류합니다. 동일한 객체 클래스의 모든 인스턴스는 단일 레이블로 그룹화됩니다. 예를 들어 자동차가 여러 대 있는 이미지에서 시맨틱 분할은 자동차를 구분하지 않고 모든 자동차에 속한 픽셀에 단순히 '자동차'라는 레이블을 붙입니다.
• 인스턴스 세분화: 이 방법은 각 픽셀을 분류할 뿐만 아니라 같은 클래스의 개별 인스턴스도 구분함으로써 세분화를 한 단계 더 발전시킵니다. 동일한 거리 장면에서 인스턴스 분할은 각 자동차를 고유한 객체로 식별하여 '자동차 1', '자동차 2' 등에 별도의 마스크를 할당합니다. 이 기능은 개별 오브젝트를 세거나 추적해야 할 때 특히 유용합니다.
• 파놉틱 세분화: 하이브리드 접근 방식인 파놉틱 분할은 시맨틱 분할과 인스턴스 분할의 강점을 결합한 것입니다. 시맨틱 세분화와 같이 모든 픽셀에 클래스 레이블을 할당하는 동시에 인스턴스 세분화와 같이 각 객체를 고유하게 식별함으로써 장면에 대한 완전하고 통합된 이해를 만드는 것을 목표로 합니다. 이를 통해 가장 포괄적인 장면 분석이 가능합니다.

이미지 세분화가 다른 이력서 작업과 다른 점

이미지 분할을 다른 일반적인 컴퓨터 비전 작업과 구별하는 것이 중요합니다:

• 이미지 분류: 전체 이미지에 하나의 레이블을 할당하는 데 중점을 둡니다(예: "이것은 해변 사진입니다"). 이미지에 무엇이 있는지는 이해하지만 어디에 있는지는 이해하지 못합니다.
• 개체 감지: 일반적으로 이미지 주위에 경계 상자를 그려서 이미지 내에서 물체를 식별하고 위치를 찾습니다. 어떤 물체가 있는지와 대략적인 위치는 알려주지만 정확한 모양은 알려주지 않습니다.
• 이미지 세분화: 픽셀 수준에서 각 물체의 정확한 경계를 윤곽선으로 표시하여 물체의 모양과 위치를 정확하게 파악할 수 있도록 가장 세부적인 정보를 제공합니다.

애플리케이션 및 사용 사례

이미지 분할의 세부적인 출력은 다양한 분야에서 매우 유용합니다.

• 자율주행 차량: 자율주행차가 안전하게 주행하려면 주변 환경에 대한 정확한 이해가 필요합니다. 세분화 모델은 도로, 차선, 보행자, 다른 차량, 장애물의 정확한 경계를 식별하여 더 나은 경로 계획과 의사결정을 가능하게 합니다. 자동차 산업에서 AI의 역할에 대해 자세히 알아보세요.
• 의료 이미지 분석: 의료 분야에서 세분화는 MRI나 CT 스캔과 같은 의료 스캔을 분석하는 데 사용됩니다. 종양, 장기 또는 이상 부위를 정확하게 파악하여 의사의 정확한 진단, 수술 계획, 질병 진행 상황 모니터링에 도움을 줄 수 있습니다. 이는 U-Net과 같은 아키텍처의 핵심 애플리케이션으로, 생물의학적 맥락에서 탁월한 성능을 발휘합니다.
• 위성 이미지 분석: 세분화 모델은 위성 이미지를 처리하여 삼림 벌채나 도시화와 같은 환경 변화를 모니터링합니다. 토지 피복(예: 산림, 수역, 도시 지역)을 분류하고 지도 제작 및 정보 수집을 위해 건물이나 선박과 같은 개별 물체를 감지할 수 있습니다.
• 제조 및 로봇 공학: 자동화된 공장에서 세분화는 로봇이 조립을 위해 컨베이어 벨트에서 특정 부품을 식별하거나 높은 정밀도로 결함을 감지하여 품질 관리를 수행하는 데 도움이 됩니다. 크랙 세분화에서의 활용에 대해 자세히 알아보세요.

이미지 세분화 및 울트라 애널리틱스 YOLO

최신 딥 러닝 모델, 특히 합성곱 신경망(CNN) 기반 모델은 이미지 분할의 표준입니다. YOLOv8과 최신 YOLO11을 포함한 Ultralytics YOLO 모델은 고성능의 실시간 세분화 기능을 제공합니다. 이러한 모델은 COCO와 같은 표준 데이터 세트 또는 특수 작업을 위한 사용자 정의 데이터 세트에 대해 쉽게 학습할 수 있습니다.

Ultralytics 프레임워크는 모델 훈련부터 성능 검증, 추론을 위한 배포에 이르기까지 전체 워크플로우를 간소화합니다. 실습 가이드는 Google Colab에서 YOLO11을 사용한 이미지 세분화에 대한 자습서를 따르거나 세분화된 객체를 분리하는 방법을 배울 수 있습니다. Ultralytics HUB와 같은 도구는 데이터 세트를 관리하고, 클라우드 리소스로 모델을 훈련하고, 실제 애플리케이션에 배포할 수 있는 코드 없는 솔루션을 제공합니다.