이미지 분할

이미지 분할은 컴퓨터 비전(CV)의 핵심 기술로 컴퓨터 비전(CV)의 핵심 기술입니다. 디지털 이미지를 일반적으로 이미지 세그먼트라고 하는 여러 개의 픽셀 하위 그룹으로 분할하는 핵심 기술입니다. 주요 목표는 다음과 같습니다. 이미지의 표현을 보다 의미 있고 분석하기 쉬운 것으로 단순화하는 것입니다. 물체를 찾아내는 객체 감지와는 달리 직사각형 경계 상자 내의 객체를 찾아내는 객체 감지와 달리, 이미지 세그멘테이션은 물체의 모양에 대한 정확한 픽셀 수준의 맵을 제공합니다. 이 프로세스는 이미지의 모든 픽셀에 레이블을 할당하여 인공지능(AI) 모델이 인공 지능(AI) 모델이 장면 내 엔티티의 정확한 경계와 윤곽을 이해할 수 있습니다.

픽셀 수준 정밀도의 중요성

많은 최신 머신러닝(ML) 워크플로우에서는 물체의 대략적인 위치를 아는 것만으로는 충분하지 않습니다. 실제 세계와의 상호 작용이 필요한 애플리케이션은 물리적인 세계와의 상호 작용이 필요한 애플리케이션(예: 소포를 잡는 로봇이나 구불구불한 도로를 주행하는 자동차 등)은 세밀한 지오메트리. 이미지 분할은 원시 시각 데이터를 일련의 분류된 영역으로 변환하여 이러한 격차를 해소합니다. 이 이 기능은 고급 고급 딥 러닝(DL) 아키텍처, 특히 컨볼루션 신경망(CNN)은 공간 특징을 추출하여 전경 물체와 배경을 구분합니다.

이미지 분할 유형

올바른 모델 아키텍처를 선택하려면 특정 세분화 작업을 이해하는 것이 중요합니다. 세 가지 기본 카테고리가 있습니다:

• 시맨틱 세분화: 이 방법은 같은 카테고리의 여러 개체를 하나의 엔티티로 취급합니다. 예를 들어 거리 장면에서 '도로'에 속한 모든 도로에 속하는 모든 픽셀은 회색으로, '자동차'에 속하는 모든 픽셀은 파란색으로 처리합니다. 서로 다른 두 대의 자동차를 구분하지 않고 단순히 두 대가 모두 차량임을 식별합니다. 이 접근 방식 은 U-Net과 같은 아키텍처를 사용하여 구현되는 경우가 많습니다, 원래 생체 의학 이미지 분할을 위해 개발되었습니다.
• 인스턴스 세분화: 이 기술은 한 단계 더 나아가 개별 객체를 식별합니다. 이미지에 자동차가 다섯 대 있는 경우 인스턴스 분할은 5개의 개별 마스크를 생성하여 시스템에서 각 차량을 독립적으로 독립적으로 계산하고 추적할 수 있습니다. 이 작업은 다음에서 주로 수행됩니다. Ultralytics YOLO11 세분화 모델이 수행하는 주요 작업은 실시간 애플리케이션을 위한 속도와 정확성 사이의 균형을 유지합니다.
• 파놉틱 세분화: A 시맨틱과 인스턴스 세분화를 결합한 하이브리드 접근 방식입니다. 모든 픽셀(하늘, 도로 등 배경)에 클래스 레이블을 할당하고 모든 픽셀(하늘, 도로와 같은 배경)에 클래스 레이블을 할당하는 동시에 셀 수 있는 객체(사람, 자동차 등)를 고유하게 식별하여 객체(사람, 자동차 등)를 고유하게 식별합니다.

실제 애플리케이션

정확한 경계를 묘사할 수 있는 세분화 기능은 다양한 산업에서 필수적인 요소입니다:

• 의료 이미지 분석: 세분화는 의료 분야에서 다음과 같은 스캔을 분석하는 데 매우 중요합니다. MRI 또는 CT 이미지를 분석하는 데 매우 중요합니다. AI 모델은 종양, 장기 또는 병변의 윤곽을 정확하게 묘사함으로써 영상의학과 전문의의 진단 및 수술 계획을 계획하는 데 도움을 줍니다. 예를 들어, 뇌종양의 정확한 부피를 파악하면 보다 표적화된 방사선 치료를 할 수 있습니다, 건강한 조직에 대한 손상을 최소화할 수 있습니다.
• 자율주행 차량: 자율 주행 자동차는 안전하게 주행하기 위해 세그먼테이션에 크게 의존합니다. 모델은 비디오 피드를 처리하여 주행 가능한 차선, 인도, 보행자, 장애물을 식별합니다. 차선, 인도, 보행자, 장애물을 식별합니다. 다음과 같은 조직은 같은 단체는 이러한 상세한 환경 인식이 필요한 자율성 수준을 정의합니다. 환경 인식이 필요한 자율성 수준을 정의합니다.
• 정밀 농업: In 농업 분야의 AI는 세분화를 통해 작물 건강 모니터링. 다중 스펙트럼 카메라가 장착된 드론은 밭을 segment 잡초의 침입이나 영양 결핍을 식별할 수 있습니다. 또는 영양 결핍을 잎 단위로 식별하여 표적 제초제를 살포할 수 있습니다.

YOLO 통한 기술적 구현

최신 프레임워크는 세분화 작업의 구현을 간소화했습니다. 다음과 같은 구형 2단계 탐지기는 마스크 R-CNN과 같은 구형 2단계 탐지기는 정확하지만 속도가 느렸지만, 단일 단계 모델은 이 분야에 혁신을 가져왔습니다. 실시간 추론. 그리고 Ultralytics YOLO11 모델은 기본적으로 인스턴스 세분화를 지원합니다. 앞으로의 전망, YOLO26은 이러한 기능을 더욱 최적화하기 위해 개발 중입니다. 기능을 더욱 최적화하기 위해 개발 중입니다.

개발자는 다음과 같은 표준 라이브러리를 사용할 수 있습니다. OpenCV 와 같은 표준 라이브러리를 사용하여 전처리 및 시각화를 위해 PyTorch 기반 프레임워크를 사용하여 모델 추론.

다음은 Python 사전 학습된 YOLO11 모델을 사용하여 인스턴스 세분화를 수행하는 방법에 대한 간결한 예시입니다:

from ultralytics import YOLO

# Load a pre-trained YOLO11 segmentation model
model = YOLO("yolo11n-seg.pt")

# Run inference on an image (can be a local path or URL)
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting image with segmentation masks overlaid
results[0].show()

이 코드 스니펫은 특징 추출, 바운딩 박스 회귀, 마스크 생성의 복잡한 작업을 자동으로 처리합니다. 생성의 복잡한 작업을 자동으로 처리하므로 개발자는 세분화 결과를 통합하는 데 집중할 수 있습니다. 세분화 결과를 더 큰 애플리케이션에 통합하는 데 집중할 수 있습니다.