시맨틱 세그멘테이션 데이터셋 개요#

시맨틱 세그멘테이션은 이미지의 모든 픽셀에 하나의 클래스 레이블을 할당합니다. 인스턴스 세그멘테이션과 달리 시맨틱 세그멘테이션은 같은 클래스에 속하는 개별 객체를 분리하지 않습니다. 학습 대상은 각 픽셀에 클래스 ID를 저장하는 조밀한 클래스 맵입니다.

이 가이드에서는 Ultralytics YOLO 시맨틱 세그멘테이션 모델에서 사용하는 데이터셋 형식을 설명하고, 학습 및 검증에 사용할 수 있는 기본 제공 데이터셋 구성을 나열합니다.

지원되는 데이터셋 형식#

두 가지 레이블 형식을 지원합니다. 데이터셋 YAML에 masks_dir 키가 정의되어 있거나 데이터셋 루트에서 이미지 옆에 masks/ 폴더가 이미 있으면 데이터셋 로더가 PNG 마스크를 사용합니다. 그렇지 않으면 YOLO 폴리곤 레이블을 사용합니다.

PNG 마스크 형식#

시맨틱 세그멘테이션 데이터셋은 샘플마다 이미지 파일 하나와 마스크 파일 하나를 사용합니다. 마스크는 일반적으로 PNG 형식의 단일 채널 이미지이며, 각 픽셀 값은 해당 이미지 픽셀의 클래스 인덱스입니다.

• 픽셀 값 0, 1, 2, ...는 데이터셋의 names 매핑에 따른 클래스 ID를 나타냅니다.
• 픽셀 값 255은 무시 레이블로 처리되며 손실 및 메트릭 계산에서 제외됩니다.
• 마스크 파일은 해당 이미지 파일과 동일한 파일명을 사용해야 합니다. 예: frankfurt_000000_000294.png.
• 기본적으로 마스크 파일은 .png으로 확인하며, 해당 파일이 없으면 다른 지원 이미지 확장자도 허용됩니다. .png 또는 .tiff와 같은 무손실 형식을 사용하세요. 손실 압축(예: .jpg)은 클래스 ID 픽셀 값을 손상시키기 때문입니다.

기본 레이아웃에서는 이미지와 마스크를 서로 대응하는 폴더에 저장합니다. 데이터셋 YAML의 masks_dir 값은 마스크를 찾을 때 images 경로 구성 요소를 대체합니다.

dataset/
├── images/
│   ├── train/
│   └── val/
└── masks/
    ├── train/
    └── val/

예를 들어 masks_dir: masks인 경우 images/train/aachen_000000_000019.png 경로의 이미지와 masks/train/aachen_000000_000019.png 경로의 마스크가 쌍을 이룹니다.

YOLO 폴리곤 레이블 형식#

데이터셋에 이미 Ultralytics YOLO 폴리곤 레이블(이미지마다 .txt 하나와 <class-index> <x1> <y1> <x2> <y2> ... 행)이 있는 경우 PNG 마스크로 변환하지 않고도 해당 레이블에서 바로 시맨틱 세그멘테이션을 학습할 수 있습니다. 행 단위 레이아웃은 인스턴스 세그멘테이션 데이터셋 형식을 참조하세요.

데이터셋 YAML에서 masks_dir을 생략하고 데이터셋 루트의 이미지 옆에 masks/ 폴더가 없으면 이 경로가 자동으로 선택됩니다. 남아 있는 masks/ 폴더가 있으면 삭제하거나 이름을 변경하세요. 그렇지 않으면 로더가 PNG 마스크 모드로 전환하여 대신 해당 폴더에서 마스크를 찾습니다. 동작 방식:

• 로드 시 폴리곤을 이미지별 시맨틱 마스크로 변환하고, 겹치는 영역에서 작은 객체가 큰 객체를 덮어쓰도록 면적순으로 정렬합니다.
• 다중 클래스 (names의 N > 1): 선언된 클래스 뒤에 background 클래스를 추가하여 어떤 폴리곤에도 포함되지 않는 픽셀을 나타냅니다. 모델은 N + 1개의 출력 채널로 구성되며 마지막 채널은 배경입니다.
• 단일 클래스 (names의 N == 1): 학습 시에도 클래스는 1개로 유지됩니다. 마스크는 이진 형식이며, 선언된 클래스는 1로 표시되고 어떤 폴리곤에도 포함되지 않는 픽셀은 0으로 표시됩니다. names에 배경 클래스를 추가하지 않습니다.
• 증강 패딩으로 추가된 픽셀(예: 랜덤 크롭)에도 계속 255을 무시 레이블로 사용합니다.

데이터에 이미 인스턴스 폴리곤 레이블이 지정되어 있고 동일한 파일에서 시맨틱 세그멘테이션 모델을 만들려는 경우 이 경로를 사용하세요.

데이터셋 YAML 형식#

시맨틱 세그멘테이션 데이터셋은 YAML 파일로 구성합니다. 주요 필드는 다음과 같습니다:

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes8 ← downloads here (small subset)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zip

원본 마스크 ID가 연속적인 학습 클래스 ID와 이미 일치하지 않는 경우 label_mapping을 사용합니다. Cityscapes와 ADE20K에는 원본 레이블 ID를 YOLO 시맨틱 세그멘테이션 학습 ID로 변환하고 사용하지 않는 레이블을 무시하는 매핑이 포함되어 있습니다.

사용법#

Python 또는 CLI로 YOLO26 시맨틱 세그멘테이션 모델을 학습합니다:

from ultralytics import YOLO

# 사전 학습된 시맨틱 세그멘테이션 모델 로드
model = YOLO("yolo26n-sem.pt")

# Cityscapes8 시맨틱 세그멘테이션 데이터셋으로 학습
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

지원되는 데이터셋#

Ultralytics는 다음 데이터셋을 위한 시맨틱 세그멘테이션 데이터셋 YAML 파일을 제공합니다. 사전 학습 모델 벤치마크 표 전체는 시맨틱 세그멘테이션 작업 페이지를 참조하세요.

• Cityscapes: 학습 클래스 19개로 구성된 도시 거리 장면 시맨틱 분할 데이터셋입니다.
• Cityscapes8: 빠른 테스트 및 CI 검사에 사용할 수 있는 8개 이미지의 Cityscapes 하위 집합입니다.
• ADE20K: 시맨틱 클래스 150개를 포함하는 장면 파싱 데이터셋입니다.

사용자 데이터셋 추가#

옵션 A — PNG 마스크#

1. images/train 및 images/val과 같은 분할 폴더에 이미지를 저장합니다.
2. masks/train 및 masks/val과 같이 이미지 폴더와 대응하는 마스크 폴더에 이미지마다 단일 채널 마스크 하나를 저장합니다.
3. 마스크 픽셀 값이 클래스 ID인지 확인합니다. 무시해야 하는 픽셀에는 255을 사용합니다.
4. path, train, val, masks_dir, names가 포함된 데이터셋 YAML을 만듭니다.
5. 마스크 ID를 연속적인 학습 ID로 변환해야 하는 경우에만 label_mapping을 추가합니다.

path: path/to/my-semantic-dataset
train: images/train
val: images/val
masks_dir: masks

names:
    0: background
    1: road
    2: building

옵션 B — 폴리곤 레이블#

1. 인스턴스 세그멘테이션과 동일한 방식으로 이미지와 .txt 폴리곤 파일을 배치합니다.
2. path, train, val, names이 포함된 데이터셋 YAML을 만들고 masks_dir는 생략합니다.
3. 데이터셋 루트에서 이미지 폴더 옆에 masks/ 폴더가 없는지 확인합니다. 이 폴더가 있으면 YAML에 masks_dir이 없어도 PNG 마스크 모드로 전환됩니다.
4. names에 "background" 항목을 추가하지 마세요. 다중 클래스 데이터셋의 경우 로더가 이를 자동으로 추가합니다. 단일 클래스 데이터셋은 학습 시 1개 클래스를 유지합니다. 선언한 클래스는 마스크에서 1이 되고, 어느 클래스에도 속하지 않는 픽셀은 0가 됩니다.

path: path/to/my-polygon-dataset
train: images/train
val: images/val

names:
    0: person
    1: car

Ultralytics Platform은 시맨틱 작업용 폴리곤 주석 도구와 SAM 지원 Smart annotation을 제공합니다. 브라우저에서 직접 주석을 작성한 다음, 이 디렉터리 구조를 수동으로 설정하지 않고도 결과 폴리곤 레이블 데이터셋을 내보내거나 학습에 사용할 수 있습니다.

자주 묻는 질문#