시맨틱 세그멘테이션 데이터셋 개요

시맨틱 세그멘테이션은 이미지 내 모든 픽셀에 하나의 클래스 레이블을 할당합니다. 인스턴스 세그멘테이션과 달리, 시맨틱 세그멘테이션은 동일 클래스의 개별 객체를 구분하지 않습니다. 학습 타겟은 각 픽셀이 클래스 ID를 저장하는 밀집 클래스 맵입니다.

본 가이드는 Ultralytics YOLO 시맨틱 세그멘테이션 모델에서 사용하는 데이터셋 형식을 설명하고, 학습 및 검증에 사용할 수 있는 내장 데이터셋 구성을 나열합니다.

지원되는 데이터셋 형식

두 가지 레이블 형식이 지원됩니다. 데이터셋 로더는 데이터셋 YAML에 masks_dir 키가 정의되어 있는지 여부에 따라 경로를 선택합니다.

PNG 마스크 형식

시맨틱 세그멘테이션 데이터셋은 샘플당 하나의 이미지 파일과 하나의 마스크 파일을 사용합니다. 마스크는 일반적으로 PNG 형식의 단일 채널 이미지이며, 각 픽셀 값은 해당 이미지 픽셀에 대한 클래스 인덱스입니다.

• 픽셀 값 0, 1, 2, ...는 데이터셋 names 매핑의 클래스 ID를 나타냅니다.
• 픽셀 값 255는 무시(ignore) 레이블로 취급되며 손실 및 메트릭 계산에서 제외됩니다.
• 마스크 파일은 해당 이미지 파일과 동일한 스템(파일 이름)을 사용해야 합니다. 예: frankfurt_000000_000294.png.
• 지원되는 마스크 확장자는 .png, .PNG, .bmp, .tif입니다.

기본 레이아웃은 이미지와 마스크를 병렬 폴더에 유지합니다. 데이터셋 YAML의 masks_dir 값은 마스크를 찾기 위해 images 경로 구성 요소를 대체합니다.

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

For example, an image at images/train/aachen_000000_000019.png is paired with a mask at masks/train/aachen_000000_000019.png when masks_dir: masks.

YOLO 폴리곤 레이블 형식

If your dataset already has Ultralytics YOLO polygon labels (one .txt per image with <class-index> <x1> <y1> <x2> <y2> ... rows), you can train semantic segmentation directly from them — no PNG mask conversion needed. See the instance segmentation dataset format for the row-level layout.

이 경로는 데이터셋 YAML에서 masks_dir이 생략될 때 자동으로 선택됩니다. 동작 방식은 다음과 같습니다:

• 폴리곤은 로드 시점에 이미지당 시맨틱 마스크로 변환되며, 면적순으로 정렬되어 겹치는 영역에서 작은 객체가 큰 객체를 덮어씁니다.
• Multi-class (N > 1 in names): an extra background class is appended after your declared classes for pixels not covered by any polygon. The model is built with N + 1 output channels and the last channel is background.
• Single-class (N == 1 in names): still trained as 1 class. The mask is binary, with your declared class shown as 1 and pixels not covered by any polygon as 0. No extra background class is added to names.
• 데이터 증강 패딩(예: 랜덤 크롭)으로 추가된 픽셀은 여전히 255를 무시 레이블로 사용합니다.

데이터가 이미 인스턴스 폴리곤으로 레이블링되어 있고 동일한 파일로 시맨틱 세그멘테이션 모델을 만들고자 할 때 이 경로를 사용하십시오.

데이터셋 YAML 형식

시맨틱 세그멘테이션 데이터셋은 YAML 파일로 구성됩니다. 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

소스 마스크 ID가 연속적인 학습 클래스 ID와 일치하지 않을 때 label_mapping을 사용하십시오. Cityscapes 및 ADE20K에는 원본 레이블 ID를 YOLO 시맨틱 세그멘테이션 학습 ID로 변환하고 사용하지 않는 레이블을 무시하는 매핑이 포함되어 있습니다.

사용법

Python 또는 CLI를 사용하여 YOLO26 시맨틱 세그멘테이션 모델을 학습합니다:

from ultralytics import YOLO

# Load a pretrained semantic segmentation model
model = YOLO("yolo26n-sem.pt")

# Train on the Cityscapes8 semantic segmentation dataset
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

지원되는 데이터셋

Ultralytics는 다음 데이터셋에 대한 시맨틱 세그멘테이션 데이터셋 YAML 파일을 제공합니다:

• Cityscapes: 19개 학습 클래스를 포함하는 도시 거리 장면 시맨틱 세그멘테이션 데이터셋입니다.
• Cityscapes8: 빠른 테스트 및 CI 확인을 위한 8개 이미지의 Cityscapes 하위 집합입니다.
• ADE20K: 150개의 시맨틱 클래스를 포함하는 장면 파싱 데이터셋입니다.

자체 데이터셋 추가

옵션 A — PNG 마스크

1. images/train 및 images/val과 같은 분할 폴더 아래에 이미지를 저장하십시오.
2. masks/train 및 masks/val과 같은 미러링된 마스크 폴더 아래에 이미지당 하나의 단일 채널 마스크를 저장하십시오.
3. 마스크 픽셀 값이 클래스 ID인지 확인하십시오. 무시해야 할 픽셀에는 255를 사용하십시오.
4. path, train, val, masks_dir, names를 포함하는 데이터셋 YAML을 생성하십시오.
5. 마스크 ID를 연속적인 학습 ID로 변환해야 하는 경우에만 label_mapping을 추가하십시오.

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. Lay out images and .txt polygon files exactly as for instance segmentation.
2. path, train, val, names를 포함하는 데이터셋 YAML을 생성하되, masks_dir은 생략하십시오.
3. names에 "background" 항목을 추가하지 마십시오. 다중 클래스 데이터셋의 경우 로더가 자동으로 하나를 추가하며, 단일 클래스 데이터셋의 경우 1개 클래스로 학습이 유지됩니다. 선언된 클래스는 마스크에서 1이 되고 포함되지 않은 픽셀은 0이 됩니다.

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

names:
    0: person
    1: car

자주 묻는 질문(FAQ)

시맨틱 세그멘테이션 마스크와 인스턴스 세그멘테이션 레이블의 차이점은 무엇인가요?

시맨틱 세그멘테이션 마스크는 밀집 픽셀 맵입니다. 각 픽셀은 클래스 ID를 저장하며 학습 이미지당 하나의 마스크 이미지가 존재합니다. Ultralytics YOLO의 인스턴스 세그멘테이션 레이블은 폴리곤 좌표가 포함된 텍스트 파일을 사용하며 객체 인스턴스당 한 행을 차지합니다.

학습 중에 어떤 픽셀 값이 무시되나요?

픽셀 값 255가 무시 레이블로 사용됩니다. 이 픽셀들은 손실 및 메트릭 계산 시 건너뛰며, 이는 빈 영역, 레이블이 지정되지 않은 픽셀 또는 학습 레이블 세트 외의 클래스에 유용합니다.

마스크 파일 이름이 이미지 파일 이름과 일치해야 하나요?

예, 그렇습니다. 각 시맨틱 마스크는 해당 이미지와 동일한 파일 스템을 가져야 합니다. 데이터셋 로더는 images 디렉토리 구성 요소를 masks_dir로 대체하여 일치하는 마스크 파일을 검색합니다.

원본 데이터셋 레이블 ID를 직접 사용할 수 있나요?

예, 해당 ID가 이미 names 클래스 ID와 일치한다면 가능합니다. 소스 데이터셋이 연속적이지 않은 ID를 사용하거나 무시해야 할 레이블을 포함하는 경우, label_mapping 섹션을 추가하여 소스 픽셀 값을 학습 ID로 변환하십시오.

인스턴스 세그멘테이션 데이터셋을 사용하여 시맨틱 세그멘테이션을 학습할 수 있나요?

Yes. Instance segmentation datasets use Ultralytics YOLO polygon labels (one .txt per image with <class-index> <x1> <y1> <x2> <y2> ... rows), and the same files can be reused for semantic segmentation — just omit masks_dir from the dataset YAML. The loader converts polygons to per-image masks on the fly. For multi-class datasets (N > 1) an extra background class is appended and the model is built with N + 1 output channels. For single-class datasets (N == 1) training stays at 1 class — the mask shows your declared class as 1 and uncovered pixels as 0.