Instance Segmentation

인스턴스 세분화(Instance segmentation)는 컴퓨터 비전 (CV)에서 이미지 내의 각 고유한 관심 객체를 픽셀 수준에서 식별하고 윤곽을 그려내는 정교한 기술입니다. 표준 객체 감지가 직사각형 bounding boxes를 사용하여 항목을 지역화하는 반면, 인스턴스 세분화는 감지된 모든 개체에 대해 정밀한 마스크를 생성하여 분석을 더 깊이 진행합니다. 이 기능 덕분에 인공 지능 (AI) 모델은 서로 겹치는 두 사람을 분리하는 것처럼 동일한 클래스의 개별 객체를 서로 구분할 수 있으며, 단순한 분류 방식에 비해 시각적 장면에 대한 더 풍부하고 상세한 이해를 제공합니다.

세그멘테이션 유형 구별#

인스턴스 세그멘테이션의 유용성을 충분히 파악하려면, 이를 다른 관련 이미지 처리 작업들과 차별화하는 것이 도움이 됩니다. 각 방법은 애플리케이션 요구 사항에 따라 서로 다른 수준의 세분성을 제공합니다.

• 시맨틱 세분화: 이 접근 방식은 이미지의 모든 픽셀을 카테고리(예: "도로", "하늘", "자동차")로 분류합니다. 그러나 동일한 카테고리의 별도 객체들은 서로 구분하지 않습니다. 세 대의 자동차가 나란히 주차되어 있는 경우, 시맨틱 세분화는 이를 단일 "자동차" 영역으로 인식합니다.
• 인스턴스 세분화: 이 방법은 각 객체를 고유한 엔티티로 취급합니다. 개별 인스턴스를 감지하고 각각의 픽셀에 고유한 레이블을 할당합니다. 주차된 자동차의 예시에서, 인스턴스 세분화는 세 개의 서로 다른 마스크를 생성하여 "Car A", "Car B", "Car C"를 각각 따로 식별합니다.
• 파노믹 세분화: 시맨틱 세분화의 배경 라벨링과 인스턴스 세분화의 개수 측정 가능한 객체 식별을 결합한 하이브리드 접근 방식입니다.

픽셀 단위 분석의 메커니즘#

현대적인 인스턴스 세분화 모델은 일반적으로 고급 딥 러닝 (DL) 아키텍처, 특히 합성곱 신경망 (CNN)에 의존합니다. 이 네트워크들은 이미지에서 특징을 추출하여 객체의 클래스와 공간적 윤곽을 모두 예측합니다. 역사적으로 Mask R-CNN과 같은 2단계 아키텍처가 표준이었으며, 먼저 관심 영역을 제안한 다음 이를 마스크로 구체화했습니다.

그러나 최근의 발전으로 감지와 세분화를 동시에 수행하는 YOLO26과 같은 단일 단계 감지기가 등장했습니다. 이 "엔드투엔드(end-to-end)" 접근 방식은 실시간 추론 속도를 크게 향상시키며, 소비자용 하드웨어에서도 라이브 비디오 스트림에 고정밀 세분화를 적용할 수 있게 해줍니다.

실제 애플리케이션 사례#

인스턴스 세그멘테이션이 제공하는 정밀한 경계 정보는 의사결정을 위해 객체의 정확한 형태와 위치를 파악해야 하는 산업 분야에서 매우 중요합니다.

• 의료 분야의 AI: 의료 진단에서 종양이나 병변의 정확한 크기와 모양을 파악하는 것은 매우 중요합니다. 인스턴스 세분화를 사용하면 모델이 MRI 스캔상의 이상 징후를 높은 정밀도로 외곽선을 그릴 수 있어, 방사선 전문의가 치료 계획을 세우고 질병 진행 상황을 모니터링하는 데 도움이 됩니다.
• 자율 주행 차량: 자율 주행 자동차는 복잡한 환경을 탐색하기 위해 세분화에 의존합니다. Cityscapes와 같은 데이터셋을 활용하여, 차량은 주행 가능한 표면을 식별하고 차선 표시를 인식하며 붐비는 횡단보도의 개별 보행자를 분리하여 안전을 확보할 수 있습니다.
• 농업 분야의 AI: 정밀 농업은 작물 건강 상태를 모니터링하기 위해 세분화를 사용합니다. 비전 시스템이 장착된 로봇은 자동 수확을 위해 개별 과일을 식별하거나 표적 제초제 살포를 위해 특정 잡초를 감지하여 화학물질 사용량을 줄이고 수확량을 최적화할 수 있습니다.

Python을 활용한 세그멘테이션 구현#

개발자는 ultralytics 라이브러리를 사용하여 쉽게 인스턴스 세분화를 구현할 수 있습니다. 다음 예제는 사전 학습된 YOLO26 모델을 로드하고 이미지에 대한 세분화 마스크를 생성하는 방법을 보여줍니다.

from ultralytics import YOLO

# Load a pre-trained YOLO26 instance segmentation model
# The 'n' suffix denotes the nano version, optimized for speed
model = YOLO("yolo26n-seg.pt")

# Run inference on an image
# This predicts classes, bounding boxes, and masks
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
# Displays the image with overlaid segmentation masks
results[0].show()

과제 및 모델 학습#

인스턴스 세분화는 강력하지만, 단순한 경계 상자 감지에 비해 연산 집약적입니다. 픽셀 단위로 완벽한 마스크를 생성하려면 상당한 GPU 리소스와 정밀한 데이터 어노테이션이 필요합니다. 이러한 작업용 데이터를 어노테이션하는 과정에는 모든 객체 주변에 촘촘한 다각형을 그려야 하므로 시간이 많이 소요될 수 있습니다.

이 과정을 간소화하기 위해 팀은 데이터셋 관리, 자동 어노테이션, 클라우드 기반 학습 기능을 제공하는 Ultralytics Platform과 같은 도구를 자주 사용합니다. 이를 통해 개발자는 특정 산업 부품이나 생물학적 표본 같은 커스텀 데이터에 대해 모델을 미세 조정(fine-tune)하고, ONNX나 TensorRT와 같이 최적화된 포맷을 사용하여 엣지 AI 장치에 효율적으로 배포할 수 있습니다.