인스턴스 세분화

인스턴스 세분화 작동 방식

인스턴스 분할 모델은 이미지를 분석하여 먼저 잠재적인 객체를 찾은 다음, 감지된 각 객체에 대해 해당 특정 인스턴스에 속하는 픽셀을 예측합니다. 영향력 있는 마스크 R-CNN 아키텍처와 같은 기존 접근 방식은 종종 2단계 프로세스를 사용합니다. 먼저 객체 감지를 수행하여 경계 상자 제안을 생성한 다음, 제안된 각 상자 내에서 세그먼테이션 마스크를 생성하는 것입니다. 이러한 방법은 효과적이기는 하지만 계산이 많이 필요할 수 있습니다.

다음과 같은 모델을 포함한 최신 접근 방식 Ultralytics YOLO와 같은 모델을 포함한 최신 접근 방식은 종종 단일 단계 파이프라인을 사용합니다. 이러한 모델은 신경망(NN)을 한 번에 통과하면서 경계 상자, 클래스 레이블, 인스턴스 마스크를 동시에 예측하기 때문에 속도가 크게 향상되어 실시간 추론에 적합합니다. 이러한 모델을 훈련하려면 널리 사용되는 COCO 데이터 세트와 같은 픽셀 수준 주석, 특히 세분화 주석이 포함된 대규모 데이터 세트가 필요합니다. 이 과정에는 일반적으로 복잡한 시각적 특징을 학습하기 위해 컨볼루션 신경망(CNN)을 활용하는 딥러닝(DL) 기술이 포함됩니다.

인스턴스 세분화 대 관련 작업

인스턴스 세분화를 다른 이미지 세분화 작업과 구분하는 것이 중요합니다:

• 개체 감지: 경계 상자를 사용하여 객체의 존재 여부와 위치를 식별하지만 모양 정보는 제공하지 않습니다. 인스턴스 세분화는 각 객체의 정확한 픽셀 윤곽을 그리는 방식으로 더 나아갑니다.
• 시맨틱 세분화: 이미지의 모든 픽셀에 클래스 레이블을 할당합니다(예: '자동차', '사람', '도로'). 그러나 같은 클래스의 다른 인스턴스를 구분하지는 않습니다. 예를 들어 모든 자동차는 동일한 "자동차" 세그먼트에 속합니다. 인스턴스 세분화와 의미론적 세분화에 대한 자세한 내용은 이 가이드에서 확인할 수 있습니다.
• 파놉틱 세분화: 시맨틱 분할과 인스턴스 분할을 결합합니다. 모든 픽셀에 클래스 레이블을 할당하고(시맨틱 세분화처럼) 각 객체 인스턴스를 고유하게 식별합니다(인스턴스 세분화처럼).

인스턴스 세분화는 특히 개별 개체 인스턴스를 감지하고 묘사하는 데 중점을 두어 개체 경계 및 분리와 관련하여 높은 정확도를 제공합니다.

인스턴스 세분화의 애플리케이션

개별 개체를 정확하게 식별하고 격리할 수 있는 인스턴스 세분화는 다양한 분야에서 매우 유용합니다:

• 자율 주행: 자율주행차는 주변 환경을 정확하게 인식하기 위해 인스턴스 세분화에 의존합니다. 복잡하거나 겹치는 장면에서도 개별 차량, 보행자, 자전거, 장애물을 구분하는 것은 안전한 주행과 의사 결정에 매우 중요합니다. 웨이모와 같은 회사는 이러한 기술을 광범위하게 사용합니다.
• 의료 이미지 분석: 방사선학과 병리학에서 인스턴스 분할은 스캔(CT, MRI 등)에서 종양, 장기 또는 세포와 같은 특정 구조의 윤곽을 잡는 데 도움이 됩니다. 이러한 픽셀 수준의 정밀도는 진단, 종양 크기 측정, 수술 계획, 질병 진행 상황 추적에 도움이 됩니다. 예를 들어, 종양 탐지에 YOLO11 사용하는 것은 의료 분야의 AI라는 더 넓은 맥락에서 이 애플리케이션을 보여줍니다.
• 로봇 공학: 로봇: 비정형 환경에서 물건을 잡거나 조작하는 등의 작업을 수행하는 로봇은 개별 물체를 정확하게 식별하고 위치를 파악해야 합니다. 인스턴스 세분화를 통해 로봇은 성공적인 상호 작용을 위해 사물의 정확한 모양과 경계를 이해할 수 있으며, 이는 로보틱스의 AI에서 자세히 살펴볼 수 있습니다.
• 위성 이미지 분석: 상세한 토지 커버 매핑, 개별 건물을 식별하여 도시 확산을 모니터링하거나 선박이나 차량과 같은 특정 물체를 추적하는 데 사용됩니다. 이 수준의 세부 정보는 환경 모니터링, 자원 관리, 정보 수집을 지원합니다. 일반적인 위성 이미지 분석 기법을 살펴보세요.
• 농업 모니터링: 개별 식물이나 과일을 세거나, 식물별로 작물 상태를 평가하거나, 특정 유형의 잡초를 식별하여 정밀 농업에 기여하는 데 도움을 줍니다.

Ultralytics YOLO 사용한 인스턴스 세분화

Ultralytics 효율적인 인스턴스 세분화를 수행할 수 있는 최첨단 모델을 제공합니다. 다음과 같은 모델 YOLOv8 및 YOLO11 과 같은 모델은 인스턴스 분할을 포함한 다양한 컴퓨터 비전 작업에서 높은 성능을 제공하도록 설계되었습니다(분할 작업 세부 정보 참조). 사용자는 데이터 관리부터 모델 배포까지 머신 러닝(ML) 워크플로우를 간소화하는 Ultralytics HUB 플랫폼과 같은 도구를 사용해 사전 학습된 모델을 활용하거나 사용자 지정 데이터 세트에 대한 미세 조정을 수행할 수 있습니다. 실제 구현을 위해 사전 학습된 Ultralytics YOLOv8 모델을 사용한 세분화에 대한 자습서 또는 세분화 개체 분리 가이드와 같은 리소스를 사용할 수 있습니다. 인스턴스 세분화를 위해 Ultralytics YOLO11 사용하는 방법도 배울 수 있습니다. 다음과 같은 인기 있는 프레임워크 PyTorch 및 TensorFlow 와 같은 인기 있는 프레임워크가 이러한 모델을 개발하고 배포하는 데 일반적으로 사용됩니다.