Ultralytics YOLO 을 통해 이미지 세분화의 힘을 알아보세요. 픽셀 수준의 정밀도, 유형, 애플리케이션 및 실제 AI 사용 사례를 살펴보세요.
이미지 분할은 디지털 이미지를 여러 개의 별개의 영역 또는 세그먼트로 분할하는 컴퓨터 비전(CV) 의 기본 기술입니다. 주요 목표는 이미지의 모든 픽셀에 클래스 레이블을 할당하여 이미지 표현을 보다 의미 있고 기계가 분석하기 쉬운 것으로 단순화하는 것입니다. 직사각형 경계 상자를 사용해 객체를 식별하는 객체 감지와 달리 이미지 세분화는 이미지 콘텐츠를 훨씬 더 세분화된 픽셀 수준으로 이해하여 객체의 정확한 모양을 설명합니다. 이러한 정밀도는 세밀한 공간 인식이 필요한 작업에 매우 중요합니다.
이미지 분할 알고리즘은 이미지를 픽셀 단위로 검사하고 색상, 강도, 질감 또는 공간적 위치와 같은 특정 특성을 공유하는 픽셀을 세그먼트로 그룹화하는 방식으로 작동합니다. 초기의 방법은 임계값, 영역 확대, 클러스터링(K-Means, DBSCAN) 같은 기술에 의존했습니다. 그러나 최신 접근 방식은 딥 러닝(DL), 특히 컨볼루션 신경망(CNN)을 많이 활용합니다. 이러한 신경망은 훈련 데이터에서 직접 복잡한 계층적 특징을 학습하여 픽셀 단위의 분류를 수행합니다. 일반적인 출력은 각 픽셀의 값이 해당 픽셀이 속한 클래스 레이블에 해당하는 이미지인 세그먼테이션 마스크로, 물체나 영역의 정확한 경계를 시각적으로 강조합니다. 다음과 같은 프레임워크 PyTorch 및 TensorFlow 와 같은 프레임워크가 일반적으로 이러한 모델을 구축하고 훈련하는 데 사용됩니다.
이미지 분할 작업은 객체와 클래스가 처리되는 방식에 따라 달라질 수 있습니다:
이미지 세분화가 제공하는 상세한 분석은 다양한 애플리케이션을 가능하게 합니다:
Ultralytics YOLO 모델과 같은 YOLOv8 및 YOLO11은 인스턴스 세분화 작업을 위한 최첨단 성능을 제공하며, 실시간 추론을 위한 속도와 정확성의 균형을 맞춥니다. Ultralytics 프레임워크는 COCO와 같은 데이터 세트나 자동차 부품 또는 균열 세분화와 같은 특수 데이터 세트에 대한 사용자 정의 세분화 모델을 훈련하는 프로세스를 간소화합니다. Ultralytics HUB와 같은 도구는 데이터 세트, 훈련 모델(클라우드 훈련 가능) 관리 및 배포를 위한 간소화된 플랫폼을 제공합니다. 세분화 작업 문서에서 구현에 대한 자세한 내용을 살펴보거나 Google Colab에서 사전 학습된 YOLOv8 모델을 사용한 세분화 또는 YOLO11 사용한 이미지 세분화와 같은 가이드를 참조할 수 있습니다.
KO
EN
ZH
JA
RU
DE
FR
ES
PT
IT
AR
TR
VI
.webp)
