13 KiB

Raw Blame History

comments	description	keywords
true	Ultralytics YOLO를 이용한 인스턴스 세그멘테이션 모델 사용법 배우기. 훈련, 검증, 이미지 예측 및 모델 수출에 대한 지침.	yolov8, 인스턴스 세그멘테이션, Ultralytics, COCO 데이터셋, 이미지 세그멘테이션, 객체 탐지, 모델 훈련, 모델 검증, 이미지 예측, 모델 수출

인스턴스 세그멘테이션

인스턴스 세그멘테이션은 객체 탐지를 한 단계 더 발전시켜 이미지에서 각각의 개별 객체를 식별하고 이미지의 나머지 부분에서 분리하는 기술입니다.

인스턴스 세그멘테이션 모델의 출력은 이미지의 각 객체를 윤곽하는 마스크나 윤곽 선뿐만 아니라 각 객체에 대한 클래스 레이블과 신뢰도 점수로 구성됩니다. 객체들이 이미지 안에서 어디에 있는지 뿐만 아니라 그들의 정확한 형태가 무엇인지 알아야 할 때 인스턴스 세그멘테이션이 유용합니다.

시청하기: Python에서 사전 훈련된 Ultralytics YOLOv8 모델로 세그멘테이션 실행.

!!! tip "팁"

YOLOv8 Segment 모델은 '-seg' 접미사를 사용하며 즉, `yolov8n-seg.pt`와 같이 [COCO](https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml) 데이터셋에 사전 훈련되어 있습니다.

모델

여기에는 YOLOv8 사전 훈련 세그먼트 모델들이 나열되어 있습니다. Detect, Segment, Pose 모델들은 COCO 데이터셋에 사전 훈련되어 있으며, Classify 모델들은 ImageNet 데이터셋에 사전 훈련되어 있습니다.

모델은 첫 사용 시 Ultralytics의 최신 릴리스에서 자동으로 다운로드 됩니다.

모델	크기 ^(픽셀)	mAP^박스 50-95	mAP^{마스크 50-95}	속도 ^{CPU ONNX (밀리초)}	속도 ^{A100 TensorRT (밀리초)}	매개변수 ^(M)	FLOPs ^(B)
YOLOv8n-seg	640	36.7	30.5	96.1	1.21	3.4	12.6
YOLOv8s-seg	640	44.6	36.8	155.7	1.47	11.8	42.6
YOLOv8m-seg	640	49.9	40.8	317.0	2.18	27.3	110.2
YOLOv8l-seg	640	52.3	42.6	572.4	2.79	46.0	220.5
YOLOv8x-seg	640	53.4	43.4	712.1	4.02	71.8	344.1

mAP^val 값들은 COCO val2017 데이터셋에서 단일 모델 단일 스케일로 얻은 값입니다.
복제는 yolo val segment data=coco.yaml device=0 명령어로 실행할 수 있습니다.
속도는 Amazon EC2 P4d 인스턴스를 이용하여 COCO 검증 이미지로 평균 내었습니다.
복제는 yolo val segment data=coco128-seg.yaml batch=1 device=0|cpu 명령어로 실행할 수 있습니다.

훈련

COCO128-seg 데이터셋에서 이미지 크기 640으로 YOLOv8n-seg을 100 에포크 동안 훈련합니다. 가능한 모든 인자 목록은 설정 페이지에서 확인할 수 있습니다.

!!! example ""

=== "파이썬"

    ```python
    from ultralytics import YOLO

    # 모델을 불러옵니다
    model = YOLO('yolov8n-seg.yaml')  # YAML에서 새로운 모델을 구성
    model = YOLO('yolov8n-seg.pt')    # 사전 훈련된 모델을 불러옴 (훈련에 추천)
    model = YOLO('yolov8n-seg.yaml').load('yolov8n.pt') # YAML에서 구성하고 가중치를 전달

    # 모델을 훈련시킵니다
    results = model.train(data='coco128-seg.yaml', epochs=100, imgsz=640)
    ```
=== "CLI"

    ```bash
    # YAML에서 새로운 모델을 구성하고 처음부터 훈련을 시작합니다
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml epochs=100 imgsz=640

    # 사전 훈련된 *.pt 모델로 부터 훈련을 시작합니다
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

    # YAML에서 새로운 모델을 구성하고 사전 훈련된 가중치를 전달한 뒤 훈련을 시작합니다
    yolo segment train data=coco128-seg.yaml model=yolov8n-seg.yaml pretrained=yolov8n-seg.pt epochs=100 imgsz=640
    ```

데이터셋 형식

YOLO 세그멘테이션 데이터셋 형식은 데이터셋 가이드에서 자세히 확인할 수 있습니다. 기존 데이터셋 (COCO 등)을 YOLO 형식으로 변환하려면 Ultralytics의 JSON2YOLO 도구를 이용하세요.

검증

COCO128-seg 데이터셋에서 훈련된 YOLOv8n-seg 모델의 정확도를 검증합니다. 모델은 훈련할 때의 data와 인자를 모델 속성으로 기억하기 때문에 별도의 인자를 전달할 필요가 없습니다.

!!! example ""

=== "파이썬"

    ```python
    from ultralytics import YOLO

    # 모델을 불러옵니다
    model = YOLO('yolov8n-seg.pt')    # 공식 모델을 불러옴
    model = YOLO('path/to/best.pt')    # 커스텀 모델을 불러옴

    # 모델을 검증합니다
    metrics = model.val()  # 데이터셋과 설정이 기억되어 있어 인자가 필요 없습니다
    metrics.box.map    # map50-95(B)
    metrics.box.map50  # map50(B)
    metrics.box.map75  # map75(B)
    metrics.box.maps   # 각 카테고리별 map50-95(B) 리스트
    metrics.seg.map    # map50-95(M)
    metrics.seg.map50  # map50(M)
    metrics.seg.map75  # map75(M)
    metrics.seg.maps   # 각 카테고리별 map50-95(M) 리스트
    ```
=== "CLI"

    ```bash
    yolo segment val model=yolov8n-seg.pt  # 공식 모델로 검증
    yolo segment val model=path/to/best.pt  # 커스텀 모델로 검증
    ```

예측

훈련된 YOLOv8n-seg 모델을 사용하여 이미지에 대한 예측을 실행합니다.

!!! example ""

=== "파이썬"

    ```python
    from ultralytics import YOLO

    # 모델을 불러옵니다
    model = YOLO('yolov8n-seg.pt')    # 공식 모델을 불러옴
    model = YOLO('path/to/best.pt')    # 커스텀 모델을 불러옴

    # 모델로 예측을 진행합니다
    results = model('https://ultralytics.com/images/bus.jpg')  # 이미지에 대한 예측
    ```
=== "CLI"

    ```bash
    yolo segment predict model=yolov8n-seg.pt source='https://ultralytics.com/images/bus.jpg'  # 공식 모델로 예측 실행
    yolo segment predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # 커스텀 모델로 예측 실행
    ```

predict 모드의 전체 세부 사항은 예측 페이지에서 확인할 수 있습니다.

수출

ONNX, CoreML 등과 같은 다른 형식으로 YOLOv8n-seg 모델을 수출합니다.

!!! example ""

=== "파이썬"

    ```python
    from ultralytics import YOLO

    # 모델을 불러옵니다
    model = YOLO('yolov8n-seg.pt')    # 공식 모델을 불러옴
    model = YOLO('path/to/best.pt')    # 커스텀 훈련 모델을 불러옴

    # 모델을 수출합니다
    model.export(format='onnx')
    ```
=== "CLI"

    ```bash
    yolo export model=yolov8n-seg.pt format=onnx  # 공식 모델을 수출합니다
    yolo export model=path/to/best.pt format=onnx  # 커스텀 훈련 모델을 수출합니다
    ```

아래 표에 나열된 것은 가능한 YOLOv8-seg 수출 형식입니다. 수출 완료 후 모델 사용 예는 모델을 직접 예측하거나 검증할 때 사용할 수 있습니다.

형식	`format` 인자	모델	메타데이터	인자
PyTorch	-	`yolov8n-seg.pt`	✅	-
TorchScript	`torchscript`	`yolov8n-seg.torchscript`	✅	`imgsz`, `optimize`
ONNX	`onnx`	`yolov8n-seg.onnx`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `opset`
OpenVINO	`openvino`	`yolov8n-seg_openvino_model/`	✅	`imgsz`, `half`
TensorRT	`engine`	`yolov8n-seg.engine`	✅	`imgsz`, `half`, `dynamic`, `simplify`, `workspace`
CoreML	`coreml`	`yolov8n-seg.mlpackage`	✅	`imgsz`, `half`, `int8`, `nms`
TF SavedModel	`saved_model`	`yolov8n-seg_saved_model/`	✅	`imgsz`, `keras`
TF GraphDef	`pb`	`yolov8n-seg.pb`	❌	`imgsz`
TF Lite	`tflite`	`yolov8n-seg.tflite`	✅	`imgsz`, `half`, `int8`
TF Edge TPU	`edgetpu`	`yolov8n-seg_edgetpu.tflite`	✅	`imgsz`
TF.js	`tfjs`	`yolov8n-seg_web_model/`	✅	`imgsz`
PaddlePaddle	`paddle`	`yolov8n-seg_paddle_model/`	✅	`imgsz`
ncnn	`ncnn`	`yolov8n-seg_ncnn_model/`	✅	`imgsz`, `half`

export의 전체 세부 사항은 수출 페이지에서 확인할 수 있습니다.

13 KiB Raw Blame History

인스턴스 세그멘테이션

모델

훈련

데이터셋 형식

검증

예측

수출

13 KiB

Raw Blame History