인스턴스 세그멘테이션 데이터셋 개요
인스턴스 세그멘테이션은 이미지 내의 개별 객체를 식별하고 경계를 구분하는 컴퓨터 비전 작업입니다. 이 가이드는 Ultralytics YOLO에서 인스턴스 세그멘테이션 작업을 위해 지원하는 데이터셋 형식을 개괄적으로 설명하며, 모델 학습을 위한 데이터셋 준비, 변환 및 사용 방법을 안내합니다.
지원되는 데이터셋 형식
Ultralytics YOLO 형식
YOLO 세그멘테이션 모델 학습에 사용되는 데이터셋 라벨 형식은 다음과 같습니다:
- 이미지당 하나의 텍스트 파일: 데이터셋의 각 이미지는 이미지 파일과 이름이 같고 확장자가 ".txt"인 해당 텍스트 파일을 가집니다.
- 객체당 한 행: 텍스트 파일의 각 행은 이미지의 하나의 객체 인스턴스에 해당합니다.
- 행별 객체 정보: 각 행에는 객체 인스턴스에 대한 다음 정보가 포함됩니다:
- 객체 클래스 인덱스: 객체의 클래스를 나타내는 정수입니다(예: 0은 사람, 1은 자동차 등).
- 객체 경계 좌표: 마스크 영역 주위의 경계 좌표로, 0에서 1 사이의 값으로 정규화됩니다.
세그멘테이션 데이터셋 파일의 단일 행 형식은 다음과 같습니다:
<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>
이 형식에서 <class-index>는 객체 클래스의 인덱스이며, <x1> <y1> <x2> <y2> ... <xn> <yn>은 객체 세그멘테이션 마스크의 정규화된 다각형 좌표입니다(값은 이미지 너비와 높이에 상대적인 [0, 1] 범위입니다). 좌표는 공백으로 구분됩니다.
다음은 3포인트 세그먼트와 5포인트 세그먼트로 구성된 두 개의 객체가 있는 단일 이미지의 YOLO 데이터셋 형식 예시입니다.
0 0.681 0.485 0.670 0.487 0.676 0.487
1 0.504 0.000 0.501 0.004 0.498 0.004 0.493 0.010 0.492 0.0104- 각 행의 길이는 반드시 같을 필요는 없습니다.
- 각 세그멘테이션 라벨은 최소 3개의
(x, y)포인트를 가져야 합니다:<class-index> <x1> <y1> <x2> <y2> <x3> <y3>
데이터셋 YAML 형식
Ultralytics 프레임워크는 세그멘테이션 모델 학습을 위한 데이터셋 및 모델 구성을 정의하기 위해 YAML 파일 형식을 사용합니다. 다음은 세그멘테이션 데이터셋을 정의하기 위해 사용되는 YAML 형식의 예시입니다:
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg/
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-seg ← downloads here (1 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-seg.ziptrain 및 val 필드는 각각 학습 및 검증 이미지가 포함된 디렉토리 경로를 지정합니다.
names는 클래스 이름의 딕셔너리입니다. 이름의 순서는 YOLO 데이터셋 파일의 객체 클래스 인덱스 순서와 일치해야 합니다.
사용법
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)지원되는 데이터셋
Ultralytics YOLO는 인스턴스 세그멘테이션 작업을 위한 다양한 데이터셋을 지원합니다. 가장 일반적으로 사용되는 데이터셋 목록은 다음과 같습니다:
- Carparts-seg: 자동차 부품 세그멘테이션에 특화된 데이터셋으로, 자동차 산업 응용 분야에 이상적입니다. 개별 자동차 구성 요소에 대한 상세한 주석이 포함된 다양한 차량을 포함합니다.
- COCO: 객체 탐지, 세그멘테이션, 캡셔닝을 위한 포괄적인 데이터셋으로, 광범위한 카테고리에 걸쳐 20만 장 이상의 라벨링된 이미지를 포함합니다.
- COCO8-seg: 세그멘테이션 모델 학습을 빠르게 테스트하기 위해 설계된 8장 규모의 COCO 데이터셋 하위 집합으로,
ultralytics저장소의 CI 체크 및 워크플로우 검증에 이상적입니다. - COCO128-seg: 인스턴스 세그멘테이션 작업을 위한 더 작은 데이터셋으로, 세그멘테이션 주석이 포함된 128장의 COCO 이미지 하위 집합을 포함합니다.
- Crack-seg: 다양한 표면의 균열 세그멘테이션을 위해 맞춤화된 데이터셋입니다. 인프라 유지보수 및 품질 관리에 필수적이며, 구조적 결함을 식별하는 모델을 학습하기 위한 상세한 이미지를 제공합니다.
- Package-seg: 다양한 유형의 포장재와 모양의 세그멘테이션에 전념하는 데이터셋입니다. 물류 및 창고 자동화에 특히 유용하며, 패키지 취급 및 분류 시스템 개발을 지원합니다.
나만의 데이터셋 추가하기
자체 데이터셋을 보유하고 있으며 이를 Ultralytics YOLO 형식의 세그멘테이션 모델 학습에 사용하려는 경우, "Ultralytics YOLO 형식" 섹션에 지정된 형식을 따르는지 확인하십시오. 주석을 필요한 형식으로 변환하고 YAML 구성 파일에 경로, 클래스 수, 클래스 이름을 지정하십시오. images/와 labels/를 동일한 수준의 별도 폴더로 유지하고 하위 폴더 구조를 일치시키십시오. 라벨 .txt 파일을 이미지 폴더에 배치하면 모델이 라벨을 놓칠 수 있습니다.
레이블 형식 포팅 또는 변환
COCO 데이터셋 형식을 YOLO 형식으로 변환
다음 코드 스니펫을 사용하여 인기 있는 COCO 데이터셋 형식의 라벨을 YOLO 형식으로 쉽게 변환할 수 있습니다:
from ultralytics.data.converter import convert_coco
convert_coco(labels_dir="path/to/coco/annotations/", use_segments=True)이 변환 도구는 COCO 데이터셋 또는 COCO 형식의 모든 데이터셋을 Ultralytics YOLO 형식으로 변환하는 데 사용할 수 있습니다.
사용하려는 데이터셋이 모델과 호환되는지, 필요한 형식 규칙을 따르는지 다시 확인하십시오. 성공적인 세그멘테이션 모델 학습을 위해서는 제대로 포맷된 데이터셋이 매우 중요합니다.
자동 주석(Auto-Annotation)
자동 주석은 사전 학습된 탐지 모델을 사용하여 세그멘테이션 데이터셋을 생성할 수 있게 해주는 필수 기능입니다. 이를 통해 수동 라벨링 없이도 많은 양의 이미지를 빠르고 정확하게 주석 처리하여 시간과 노력을 절약할 수 있습니다.
탐지 모델을 사용한 세그멘테이션 데이터셋 생성
Ultralytics 프레임워크를 사용하여 데이터셋에 자동 주석을 달려면 다음과 같이 auto_annotate 함수를 사용할 수 있습니다:
from ultralytics.data.annotator import auto_annotate
auto_annotate(data="path/to/images", det_model="yolo26x.pt", sam_model="sam_b.pt")| 인수(Argument) | 유형(Type) | 기본값(Default) | 설명 |
|---|---|---|---|
data | str | 필수 | 주석 또는 세그멘테이션을 위한 대상 이미지가 포함된 디렉토리 경로. |
det_model | str | 'yolo26x.pt' | 초기 객체 감지를 위한 YOLO 감지 모델 경로. |
sam_model | str | 'sam_b.pt' | 세그멘테이션을 위한 SAM 모델 경로(SAM, SAM2 변형 및 MobileSAM 모델 지원). |
device | str | '' | 계산 장치(예: 'cuda:0', 'cpu', 또는 자동 장치 감지를 위해 ''). |
conf | float | 0.25 | 약한 감지를 필터링하기 위한 YOLO 감지 신뢰도 임계값. |
iou | float | 0.45 | 겹치는 박스를 필터링하기 위한 NMS(Non-Maximum Suppression) IoU 임계값. |
imgsz | int | 640 | 이미지 크기 조정을 위한 입력 크기(32의 배수여야 함). |
max_det | int | 300 | 메모리 효율성을 위한 이미지당 최대 감지 수. |
classes | list[int] | None | 감지할 클래스 인덱스 목록(예: 사람 및 자전거를 위해 [0, 1]). |
output_dir | str | None | 주석 저장 디렉토리(데이터 경로 기준 기본값은 './labels'). |
auto_annotate 함수는 이미지 경로와 함께, 사전 학습된 탐지 모델(예: YOLO26, YOLO11 또는 기타 모델)과 세그멘테이션 모델(예: SAM, SAM2 또는 MobileSAM), 모델을 실행할 장치, 주석 처리된 결과를 저장할 출력 디렉토리를 지정하는 선택적 인수를 받습니다.
사전 학습된 모델의 성능을 활용함으로써 자동 주석은 고품질 세그멘테이션 데이터셋을 만드는 데 필요한 시간과 노력을 크게 줄일 수 있습니다. 이 기능은 대규모 이미지 컬렉션을 다루는 연구원 및 개발자들에게 특히 유용하며, 수동 주석 작업 대신 모델 개발 및 평가에 집중할 수 있게 해줍니다.
데이터셋 주석 시각화
모델을 학습하기 전에 데이터셋 주석을 시각화하여 정확한지 확인하는 것이 도움이 됩니다. Ultralytics는 이를 위한 유틸리티 함수를 제공합니다:
from ultralytics.data.utils import visualize_image_annotations
label_map = { # Define the label map with all annotated class labels.
0: "person",
1: "car",
}
# Visualize
visualize_image_annotations(
"path/to/image.jpg", # Input image path.
"path/to/annotations.txt", # Annotation file path for the image.
label_map,
)이 함수는 바운딩 박스를 그리고 클래스 이름으로 객체에 라벨을 지정하며, 가독성을 높이기 위해 텍스트 색상을 조정하여 학습 전에 주석 오류를 식별하고 수정하도록 돕습니다.
세그멘테이션 마스크를 YOLO 형식으로 변환
바이너리 형식의 세그멘테이션 마스크가 있는 경우, 다음을 사용하여 YOLO 세그멘테이션 형식으로 변환할 수 있습니다:
from ultralytics.data.converter import convert_segment_masks_to_yolo_seg
# For datasets like COCO with 80 classes
convert_segment_masks_to_yolo_seg(masks_dir="path/to/masks_dir", output_dir="path/to/output_dir", classes=80)이 유틸리티는 바이너리 마스크 이미지를 YOLO 세그멘테이션 형식으로 변환하고 지정된 출력 디렉토리에 저장합니다.
FAQ
Ultralytics YOLO는 인스턴스 세그멘테이션을 위해 어떤 데이터셋 형식을 지원합니까?
Ultralytics YOLO는 인스턴스 세그멘테이션을 위해 여러 데이터셋 형식을 지원하며, 주된 형식은 고유한 Ultralytics YOLO 형식입니다. 데이터셋의 각 이미지는 여러 행(객체당 한 행)으로 세분화된 객체 정보가 포함된 텍스트 파일이 필요하며, 여기에 클래스 인덱스와 정규화된 경계 좌표가 나열됩니다. YOLO 데이터셋 형식에 대한 더 자세한 지침은 인스턴스 세그멘테이션 데이터셋 개요를 참조하십시오.
COCO 데이터셋 주석을 YOLO 형식으로 어떻게 변환할 수 있습니까?
Converting COCO format annotations to YOLO format is straightforward using Ultralytics tools. You can use the convert_coco function from the ultralytics.data.converter module:
from ultralytics.data.converter import convert_coco
convert_coco(labels_dir="path/to/coco/annotations/", use_segments=True)이 스크립트는 COCO 데이터셋 주석을 필수 YOLO 형식으로 변환하여 YOLO 모델 학습에 적합하게 만듭니다. 더 자세한 내용은 라벨 형식 포팅 또는 변환을 참조하십시오.
Ultralytics YOLO 모델 학습을 위한 YAML 파일은 어떻게 준비합니까?
Ultralytics를 사용하여 YOLO 모델 학습을 위한 YAML 파일을 준비하려면 데이터셋 경로와 클래스 이름을 정의해야 합니다. 다음은 YAML 구성 예시입니다:
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg/
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-seg ← downloads here (1 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-seg.zip데이터셋에 맞춰 경로와 클래스 이름을 업데이트하십시오. 더 자세한 정보는 데이터셋 YAML 형식 섹션을 확인하십시오.
Ultralytics YOLO의 자동 주석 기능이란 무엇입니까?
Ultralytics YOLO의 자동 주석 기능을 사용하면 사전 학습된 탐지 모델을 사용하여 데이터셋에 대한 세그멘테이션 주석을 생성할 수 있습니다. 이는 수동 라벨링의 필요성을 크게 줄여줍니다. 다음과 같이 auto_annotate 함수를 사용할 수 있습니다:
from ultralytics.data.annotator import auto_annotate
auto_annotate(data="path/to/images", det_model="yolo26x.pt", sam_model="sam_b.pt") # or sam_model="mobile_sam.pt"이 함수는 주석 과정을 자동화하여 더 빠르고 효율적으로 만듭니다. 더 자세한 내용은 자동 주석 참조를 탐색하십시오.