인스턴스 세분화를 위한 Ultralytics YOLO11 사용 방법

컴퓨터 비전은 기계가 시각 정보를 해석하고 이해하는 데 도움을 주는 인공지능(AI) 의 한 분야로, 인스턴스 분할과 같은 작업을 가능하게 합니다. 인스턴스 분할은 이미지 또는 비디오 프레임을 분석하여 같은 유형의 객체가 여러 개 있는 경우에도 이미지에 있는 각 객체의 정확한 경계를 표시하는 데 사용할 수 있습니다. 높은 수준의 정밀도를 자랑하는 인스턴스 분할은 자율 주행 차량이 도로의 장애물을 감지하는 것부터 의료 스캔에서 종양을 식별하는 것까지 다양한 용도로 활용됩니다.

수년에 걸쳐 인스턴스 세분화는 크게 발전해 왔습니다. 최근의 발전은 Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024(YV24)에서 Ultralytics YOLO11 모델의 형태로 소개되었습니다. 새로운 모델은 인스턴스 분할을 포함한 동일한 컴퓨터 비전 작업 (인스턴스 분할 포함)을 지원합니다. Ultralytics YOLOv8 모델과 동일한 컴퓨터 비전 작업을 지원하므로 이전 버전에 익숙한 사용자도 원활하게 새 모델을 적용할 수 있습니다.

‍

이 글에서는 인스턴스 분할이 시맨틱 분할과 같은 다른 컴퓨터 비전 작업과 어떻게 다른지 살펴보고, 몇 가지 응용 사례에 대해 설명합니다. 또한 Ultralytics Python 패키지와 Ultralytics HUB 플랫폼을 사용해 YOLO11 인스턴스 세분화 모델을 사용하는 방법도 안내합니다. 시작해 보겠습니다!

인스턴스 세분화란 무엇인가요?

인스턴스 분할은 이미지에서 객체를 식별하고 픽셀 수준에서 윤곽을 그리는 데 사용할 수 있습니다. 이 프로세스에는 일반적으로 먼저 객체를 감지하고 객체 주위에 경계 상자를 그리는 작업이 포함됩니다. 그런 다음 세분화 알고리즘이 경계 상자 내의 각 픽셀을 분류하여 각 객체에 대한 정확한 마스크를 생성합니다.

인스턴스 분할은 시맨틱 분할 및 파놉틱 분할과 같은 작업과도 다릅니다. 시맨틱 분할은 개별 인스턴스를 구분하지 않고 객체의 일반적인 범주에 따라 각 픽셀에 레이블을 지정합니다. 반면 파놉틱 분할은 각 픽셀에 클래스 및 인스턴스 ID를 모두 지정하여 각 카테고리 내의 개별 객체를 식별함으로써 인스턴스 분할과 시맨틱 분할을 모두 결합합니다.

‍

인스턴스 세분화의 기능은 다양한 모델이 필요할 수 있는 다양한 시나리오에 적용할 수 있습니다. 예를 들어, 모바일 애플리케이션의 실시간 처리에는 경량 모델이 적합할 수 있고, 제조 분야의 품질 관리와 같은 고정밀 작업에는 보다 복잡한 모델을 사용할 수 있습니다.

이전 모델과 마찬가지로 YOLO11 인스턴스 세분화 모델도 필요에 따라 여러 가지 변형이 제공됩니다. 이러한 변형에는 YOLO11n-seg(나노), YOLO11s-seg(스몰), YOLO11m-seg(미디엄), YOLO11l-seg(라지), YOLO11x-seg(엑스트라 라지) 등이 있습니다. 이러한 모델은 크기, 처리 속도, 정확도 및 필요한 연산 능력의 양에 따라 다릅니다. 특정 요구 사항에 따라 애플리케이션에 가장 적합한 모델을 선택할 수 있습니다.

YOLO11을 위한 인스턴스 세분화 애플리케이션

YOLO11의 고급 인스턴스 세분화 기능은 다양한 산업 분야에 걸쳐 다양한 응용 분야를 열어줍니다. 이러한 애플리케이션 중 몇 가지를 자세히 살펴보겠습니다.

석유 및 가스 산업에서 YOLO11 세분화 사용

석유 및 가스 추출에는 극도로 높은 압력의 변동을 관리해야 합니다. 가스 플레어링과 같은 기술은 석유 추출 과정에서 생성되는 천연 가스를 태워 없애는 데 도움이 됩니다. 이는 안전상의 이유로 필요합니다. 예를 들어 원유 추출 시 갑작스럽거나 심각한 압력 급상승은 폭발로 이어질 수 있습니다. 흔하지는 않지만 석유 및 가스 제조 부문에서 산업 사고가 발생하면 억제 및 제어가 어려운 대형 화재로 이어질 수 있습니다. 가스 플레어링은 작업자가 장비를 안전하게 감압하고 과도한 가스를 연소시켜 예측할 수 없는 큰 압력 변동을 관리하는 데 도움이 됩니다.

AI 시스템은 이러한 모니터링 프로세스를 개선할 수 있으며, 인스턴스 세분화 기반 플레어 모니터링 시스템을 사용하면 사고 위험을 줄일 수 있습니다. 가스 플레어 모니터링은 환경적인 측면에서도 중요한데, 과도한 플레어는 환경에 부정적인 영향을 미칠 수 있기 때문입니다. 

Ultralytics YOLO11 인스턴스 분할 모델을 사용하여 플레어로 인한 화재 및 연기의 양을 모니터링할 수 있습니다. 감지 및 세그먼트된 플레어와 연기의 픽셀 영역을 계산할 수 있습니다. 운영자는 이 정보를 사용하여 플레어로 인한 플레어와 연기에 대한 실시간 인사이트를 확보하여 사고와 부정적인 환경 영향을 방지할 수 있습니다. 

‍

플라스틱 폐기물 관리를 위한 YOLO11의 인스턴스 세분화 

폐기물 관리 및 재활용 시설의 작업자는 YOLO11 인스턴스 세분화 기반 시스템을 사용하여 플라스틱 폐기물을 식별할 수 있습니다. YOLO11은 로봇 분류 시스템과 통합하여 골판지, 플라스틱(분리 처리 대상) 등 다양한 폐기물을 정확하게 식별할 수 있습니다. 이는 전 세계적으로 발생하는 70억 톤의 플라스틱 폐기물 중 약 10%만이 재활용된다는 점을 고려할 때 특히 중요합니다.

플라스틱 폐기물의 식별 및 분류를 자동화하면 작업자가 수작업으로 분류하는 기존 방식에 비해 소요 시간이 크게 줄어듭니다. 컴퓨터 비전 모델은 포장지나 봉투 같은 부드러운 플라스틱도 분류할 수 있으며, 특히 엉키기 쉬워 분류가 까다로운 플라스틱도 분류할 수 있습니다. YOLO11 모델은 다양한 유형의 플라스틱을 분류하도록 맞춤 학습할 수도 있습니다. 다음 섹션에서 YOLO11 모델을 사용자 지정 학습하는 방법에 대해 자세히 알아보겠습니다.

‍

자율 주행 차량의 YOLO11 세분화

인스턴스 세분화의 또 다른 흥미로운 사용 사례는 자율 주행 자동차에 있습니다. 자율 주행 자동차는 픽셀 수준에서 물체를 정확하게 인식함으로써 탑승자의 안전과 도로 위의 다른 사람들의 안전을 개선할 수 있습니다. 차량의 온보드 카메라 시스템은 주변 이미지를 캡처하고 YOLO11과 인스턴스 세분화를 사용하여 분석할 수 있습니다. 이미지 내의 각 객체(보행자, 신호등, 다른 차량 등)는 세그먼트화되고 레이블이 부여됩니다. 이러한 수준의 정밀도를 통해 자율주행차는 주변의 모든 물체를 식별할 수 있습니다. 

‍

YOLO11 모델로 인스턴스 세분화 시도하기

이제 인스턴스 세분화에 대해 살펴보고 몇 가지 애플리케이션에 대해 논의했으니 Ultralytics YOLO11 모델을 사용하여 어떻게 시도해 볼 수 있는지 살펴보겠습니다. 

Ultralytics Python 패키지 또는 Ultralytics HUB를 사용하는 두 가지 방법이 있습니다. 여기서는 Python 패키지부터 시작하여 두 가지 방법을 모두 살펴보겠습니다.

YOLO11을 사용하여 추론 실행

추론을 실행하려면 모델을 사용하여 이전에 볼 수 없었던 새로운 데이터를 분석해야 합니다. 코드를 통해 YOLO11 인스턴스 세분화 모델을 사용하여 추론을 실행하려면 pip, conda 또는 docker를 사용하여 Ultralytics Python 패키지를 설치해야 합니다. 설치 중에 문제가 발생하는 경우 일반적인 문제 가이드를 참조하여 문제 해결에 도움을 받을 수 있습니다. 패키지가 설치되면 아래 코드를 실행하여 YOLO11 인스턴스 세분화 모델을 로드하고 이미지에 대한 예측을 실행할 수 있습니다.

‍

맞춤형 YOLO11 모델 교육

동일한 코드 설정으로 사용자 지정 YOLO11 모델을 학습시킬 수도 있습니다. YOLO11 모델을 미세 조정하여 특정 프로젝트 요구 사항을 더 잘 충족하는 사용자 지정 버전의 모델을 만들 수 있습니다. 예를 들어, 소매업체는 사용자 지정 모델을 사용하여 고객의 신체적 특징을 정확하게 세분화하여 적합한 옷을 추천할 수 있습니다. 아래 코드 스니펫은 인스턴스 세분화를 위해 YOLO11 모델을 로드하고 훈련하는 방법을 보여줍니다. YAML 구성 또는 사전 학습된 모델에서 시작하여 가중치를 전송하고 COCO와 같은 데이터 세트에서 학습하여 효과적인 세분화를 달성할 수 있습니다. 

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.yaml")  # build a new model from YAML
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n-seg.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

완료되면 특정 애플리케이션에 대한 사용자 지정 모델을 사용하여 추론을 수행할 수 있습니다. 내보내기 옵션을 사용하여 사용자 지정 모델을 다른 형식으로 내보낼 수도 있습니다.

Ultralytics 허브의 YOLO11 인스턴스 세분화

이제 코드를 통해 추론을 실행하고 YOLO11 인스턴스 세분화 모델을 사용자 지정 학습하는 방법을 살펴봤으니, 코드가 필요 없는 대안인 Ultralytics HUB에 대해 알아보겠습니다. Ultralytics HUB는 YOLO11 인스턴스 세분화 모델을 포함한 YOLO 모델을 훈련하고 배포하는 프로세스를 간소화하는 직관적인 Vision AI 플랫폼입니다. 

이미지에 대한 추론을 실행하려면 계정을 생성하고'모델' 섹션으로 이동한 후 원하는 YOLO11 인스턴스 세분화 모델 변형을 선택하기만 하면 됩니다. 이미지를 업로드하고 아래와 같이 미리보기 섹션에서 예측 결과를 확인할 수 있습니다.

‍

주요 내용

YOLO11은 다양한 산업 분야에서 가능성의 세계를 열어주는 신뢰할 수 있는 인스턴스 분할 기능을 제공합니다. 자율주행 차량의 안전성 향상, 석유 및 가스 분야의 가스 플레어 모니터링부터 재활용 시설의 폐기물 분류 자동화까지, YOLO11의 픽셀 수준의 정밀도는 복잡한 세분화 작업에 이상적입니다. 

Ultralytics Python 패키지를 통한 맞춤형 교육 옵션과 Ultralytics HUB를 통한 노코드 설정으로 사용자는 YOLO11을 워크플로우에 원활하게 통합할 수 있습니다. 산업 애플리케이션, 의료, 리테일, 환경 모니터링 등 다양한 세분화 요구 사항을 충족할 수 있는 유연성과 정확성을 제공하는 YOLO11.

자세히 알아보려면 GitHub 리포지토리를 방문하여 커뮤니티에 참여하세요. 솔루션 페이지에서 자율 주행 차량과 농업 분야의 AI 애플리케이션을 살펴보세요. 🚀