Link to this section세그멘테이션 객체 분리#

Segment Task를 수행한 후, 추론 결과에서 분리된 객체를 추출하는 것이 유용할 때가 있습니다. 이 가이드는 Ultralytics Predict Mode를 사용하여 이를 수행하는 일반적인 방법을 제공합니다.

Link to this section레시피 따라하기#

1. 필수 라이브러리 설치에 대한 빠른 가이드는 Ultralytics Quickstart Installation 섹션을 참조하십시오.

   ---

2. 모델을 로드하고 소스에서 predict() 메서드를 실행합니다.

   from ultralytics import YOLO
   
   # Load a model
   model = YOLO("yolo26n-seg.pt")
   
   # Run inference
   results = model.predict()

'ultralytics/assets/bus.jpg'
'ultralytics/assets/zidane.jpg'

세그멘테이션 모델에 대한 추가 정보는 Segment Task 페이지를 방문하십시오. predict() 메서드에 대해 자세히 알아보려면 문서의 Predict Mode 섹션을 참조하십시오.

이제 결과와 윤곽선을 반복합니다. 이미지를 파일로 저장하려는 워크플로우의 경우, 소스 이미지 base-name과 탐지 class-label을 나중에 사용하기 위해 검색합니다(선택 사항).

```{ .py .annotate }
from pathlib import Path

import numpy as np

# (2) Iterate detection results (helpful for multiple images)
for r in results:
    img = np.copy(r.orig_img)
    img_name = Path(r.path).stem  # source image base-name

    # Iterate each object contour (multiple detections)
    for ci, c in enumerate(r):
        # (1) Get detection class name
        label = c.names[c.boxes.cls.tolist().pop()]
```

1. To learn more about working with detection results, see [Boxes Section for Predict Mode](../modes/predict.md#boxes).
2. To learn more about `predict()` results see [Working with Results for Predict Mode](../modes/predict.md#working-with-results)

4. 소스 이미지에서 이진 마스크를 생성하는 것부터 시작한 다음, 마스크에 채워진 윤곽선을 그립니다. 이렇게 하면 이미지의 다른 부분으로부터 객체를 분리할 수 있습니다. bus.jpg에서 탐지된 person 클래스 객체 중 하나에 대한 예시가 오른쪽에 나와 있습니다.

   { width="240", align="right" }

   import cv2
   
   # Create binary mask
   b_mask = np.zeros(img.shape[:2], np.uint8)
   
   # (1) Extract contour result
   contour = c.masks.xy.pop()
   # (2) Changing the type
   contour = contour.astype(np.int32)
   # (3) Reshaping
   contour = contour.reshape(-1, 1, 2)
   
   # Draw contour onto mask
   _ = cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)

   1. c.masks.xy에 대한 자세한 내용은 Masks Section from Predict Mode를 참조하십시오.

   2. Here the values are cast into np.int32 for compatibility with drawContours() function from OpenCV.

   3. OpenCV drawContours() 함수는 윤곽선의 형태가 [N, 1, 2]가 될 것으로 기대합니다. 자세한 내용은 아래 섹션을 펼쳐보십시오.

   Expand to understand what is happening when defining the contour variable.

   - `c.masks.xy` :: Provides the coordinates of the mask contour points in the format `(x, y)`. For more details, refer to the [Masks Section from Predict Mode](../modes/predict.md#masks). - `.pop()` :: As `masks.xy` is a list containing a single element, this element is extracted using the `pop()` method. - `.astype(np.int32)` :: Using `masks.xy` will return with a data type of `float32`, but this won't be compatible with the OpenCV `drawContours()` function, so this will change the data type to `int32` for compatibility. - `.reshape(-1, 1, 2)` :: Reformats the data into the required shape of `[N, 1, 2]` where `N` is the number of contour points, with each point represented by a single entry `1`, and the entry is composed of `2` values. The `-1` denotes that the number of values along this dimension is flexible.

   Expand for an explanation of the drawContours() configuration.

   - Encapsulating the `contour` variable within square brackets, `[contour]`, was found to effectively generate the desired contour mask during testing. - The value `-1` specified for the `drawContours()` parameter instructs the function to draw all contours present in the image. - The `tuple` `(255, 255, 255)` represents the color white, which is the desired color for drawing the contour in this binary mask. - The addition of `cv2.FILLED` will color all pixels enclosed by the contour boundary the same, in this case, all enclosed pixels will be white. - See [OpenCV Documentation on `drawContours()`](https://docs.opencv.org/4.8.0/d6/d6e/group__imgproc__draw.html#ga746c0625f1781f1ffc9056259103edbc) for more information.

   ---

5. 다음으로, 이 시점부터 이미지를 처리하는 두 가지 옵션과 각각에 대한 후속 옵션이 있습니다.

   Link to this section객체 분리 옵션#

# Create 3-channel mask
mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)

# Isolate object with binary mask
isolated = cv2.bitwise_and(mask3ch, img)

# (1) Bounding box coordinates
x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32)
# Crop image to object region
iso_crop = isolated[y1:y2, x1:x2]

6. 다음에 무엇을 할지는 전적으로 개발자의 몫입니다. 가능한 다음 단계 중 하나인 기본 예시(향후 사용을 위해 이미지를 파일로 저장)가 표시되어 있습니다.
   • 참고: 이 단계는 선택 사항이며 특정 사용 사례에 필요하지 않은 경우 건너뛸 수 있습니다.

# Save isolated object to file
_ = cv2.imwrite(f"{img_name}_{label}-{ci}.png", iso_crop)

Link to this section전체 예시 코드#

여기서는 이전 섹션의 모든 단계를 하나의 코드 블록으로 결합했습니다. 반복 사용을 위해서는 for-루프에 포함된 명령의 일부 또는 전부를 수행하는 함수를 정의하는 것이 최적이지만, 이는 사용자에게 맡기는 연습 과제입니다.

from pathlib import Path

import cv2
import numpy as np

from ultralytics import YOLO

m = YOLO("yolo26n-seg.pt")  # (4)!
res = m.predict(source="path/to/image.jpg")  # (3)!

# Iterate detection results (5)
for r in res:
    img = np.copy(r.orig_img)
    img_name = Path(r.path).stem

    # Iterate each object contour (6)
    for ci, c in enumerate(r):
        label = c.names[c.boxes.cls.tolist().pop()]

        b_mask = np.zeros(img.shape[:2], np.uint8)

        # Create contour mask (1)
        contour = c.masks.xy.pop().astype(np.int32).reshape(-1, 1, 2)
        _ = cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)

        # Choose one:

        # OPTION-1: Isolate object with black background
        mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
        isolated = cv2.bitwise_and(mask3ch, img)

        # OPTION-2: Isolate object with transparent background (when saved as PNG)
        isolated = np.dstack([img, b_mask])

        # OPTIONAL: detection crop (from either OPT1 or OPT2)
        x1, y1, x2, y2 = c.boxes.xyxy.cpu().numpy().squeeze().astype(np.int32)
        iso_crop = isolated[y1:y2, x1:x2]

        # Add your custom post-processing here (2)

1. contour를 채우는 라인은 위에서 여러 줄로 나뉘었던 것이 여기서는 한 줄로 결합되었습니다.
2. {==여기에 무엇을 넣을지는 사용자에게 달렸습니다!==}
3. 추가 정보는 Predict Mode를 참조하십시오.
4. 더 자세한 정보는 Segment Task를 참조하십시오.
5. Working with Results에 대해 더 알아보십시오.
6. Segmentation Mask Results에 대해 더 알아보십시오.

Link to this sectionFAQ#

Link to this section세그멘테이션 작업을 위해 Ultralytics YOLO26을 사용하여 객체를 어떻게 분리하나요?#

Ultralytics YOLO26을 사용하여 객체를 분리하려면 다음 단계를 따르십시오:

1. 모델 로드 및 추론 실행:

   from ultralytics import YOLO
   
   model = YOLO("yolo26n-seg.pt")
   results = model.predict(source="path/to/your/image.jpg")

2. 이진 마스크 생성 및 윤곽선 그리기:

   import cv2
   import numpy as np
   
   img = np.copy(results[0].orig_img)
   b_mask = np.zeros(img.shape[:2], np.uint8)
   contour = results[0].masks.xy[0].astype(np.int32).reshape(-1, 1, 2)
   cv2.drawContours(b_mask, [contour], -1, (255, 255, 255), cv2.FILLED)

3. 이진 마스크를 사용하여 객체 분리:

   mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
   isolated = cv2.bitwise_and(mask3ch, img)

더 자세한 정보는 Predict Mode 가이드와 Segment Task를 참조하십시오.

Link to this section세그멘테이션 후 분리된 객체를 저장하는 데 사용할 수 있는 옵션은 무엇인가요?#

Ultralytics YOLO26은 분리된 객체를 저장하기 위한 두 가지 주요 옵션을 제공합니다:

1. 검은색 배경 포함:

   mask3ch = cv2.cvtColor(b_mask, cv2.COLOR_GRAY2BGR)
   isolated = cv2.bitwise_and(mask3ch, img)

2. 투명 배경 포함:

   isolated = np.dstack([img, b_mask])

자세한 내용은 Predict Mode 섹션을 방문하십시오.

Link to this sectionUltralytics YOLO26을 사용하여 분리된 객체를 경계 상자로 잘라내려면 어떻게 해야 하나요?#

분리된 객체를 경계 상자로 잘라내려면:

1. 경계 상자 좌표 검색:

   x1, y1, x2, y2 = results[0].boxes.xyxy[0].cpu().numpy().astype(np.int32)

2. 분리된 이미지 잘라내기:

   iso_crop = isolated[y1:y2, x1:x2]

경계 상자 결과에 대해 더 자세히 알아보려면 Predict Mode 문서를 참조하십시오.

Link to this section세그멘테이션 작업에서 객체 분리를 위해 Ultralytics YOLO26을 사용해야 하는 이유는 무엇인가요?#

Ultralytics YOLO26은 다음을 제공합니다:

• 고속 실시간 객체 탐지 및 세그멘테이션.
• 정밀한 객체 분리를 위한 정확한 경계 상자 및 마스크 생성.
• 효율적인 개발을 위한 포괄적인 문서 및 사용하기 쉬운 API.

Segment Task 문서에서 YOLO 사용의 이점을 살펴보십시오.

Link to this sectionUltralytics YOLO26을 사용하여 배경을 포함하여 분리된 객체를 저장할 수 있나요?#

Yes, this is a built-in feature in Ultralytics YOLO26. Use the save_crop argument in the predict() method. For example:

results = model.predict(source="path/to/your/image.jpg", save_crop=True)

save_crop 인자에 대해 자세히 읽으려면 Predict Mode Inference Arguments 섹션을 참조하십시오.