Ultralytics YOLO를 활용한 시맨틱 세그멘테이션#

의미론적 분할은 이미지의 모든 픽셀에 클래스 레이블을 할당하여 전체 장면을 포괄하는 조밀한 클래스 맵을 생성합니다. 개별 객체를 분리하는 인스턴스 분할과 달리, 의미론적 분할은 서로 다른 객체가 몇 개 존재하는지와 관계없이 동일한 클래스에 속하는 모든 픽셀을 함께 그룹화합니다.

의미론적 분할 모델의 출력은 높이×너비 형태의 단일 클래스 맵이며, 각 픽셀 값은 예측된 클래스 ID에 해당합니다. 따라서 의미론적 분할은 자율 주행, 의료 영상, 토지 피복 매핑과 같은 장면 파싱 작업에 적합합니다.

모델#

Cityscapes 데이터셋으로 사전 학습된 YOLO26 의미론적 분할 모델은 다음과 같습니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mIoU^val 값은 Cityscapes 검증 세트에서 단일 모델, 단일 스케일로 측정한 결과입니다.
  yolo semantic val data=cityscapes.yaml device=0 imgsz=2048로 재현할 수 있습니다.
• Speed 지표는 RTX3090 인스턴스를 사용하여 Cityscapes 검증 이미지에서 평균을 낸 값입니다.
  yolo semantic val data=cityscapes.yaml batch=1 device=0|cpu imgsz=2048으로 재현할 수 있습니다.
• Params 및 FLOPs 값은 Conv 및 BatchNorm 레이어를 병합하는 model.fuse() 실행 후의 fused 모델에 대한 값입니다. 사전 학습된 checkpoint는 전체 학습 아키텍처를 유지하므로 더 높은 값으로 표시될 수 있습니다.

ADE20K 데이터셋으로 사전 학습된 YOLO26 의미론적 분할 모델은 다음과 같습니다.

모델은 처음 사용할 때 최신 Ultralytics 릴리스에서 자동으로 다운로드됩니다.

• mIoU^val 값은 ADE20K 검증 세트에서 단일 모델, 단일 스케일로 측정한 결과입니다.
  yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml device=0 imgsz=640로 재현하되, yolo26n-sem-ade20k.pt를 원하는 yolo26*-sem-ade20k.pt checkpoint로 바꿉니다.
• Speed 지표는 RTX3090 인스턴스를 사용하여 ADE20K 검증 이미지에서 평균을 낸 값입니다.
  yolo semantic val model=yolo26n-sem-ade20k.pt data=ade20k.yaml batch=1 device=0|cpu imgsz=640으로 재현하되, yolo26n-sem-ade20k.pt을 원하는 yolo26*-sem-ade20k.pt checkpoint로 바꿉니다.
• Params 및 FLOPs 값은 Conv 및 BatchNorm 레이어를 병합하는 model.fuse() 실행 후의 fused 모델에 대한 값입니다. 사전 학습된 checkpoint는 전체 학습 아키텍처를 유지하므로 더 높은 값으로 표시될 수 있습니다.

사전 Cityscapes mIoU 결과는 출시되지 않은 YOLO27 미리보기를 참조하십시오.

학습#

Cityscapes8 데이터셋에서 이미지 크기 1024로 100회 epochs 동안 YOLO26n-sem을 학습합니다. 사용 가능한 전체 인수 목록은 Configuration 페이지를 참조하세요.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.yaml")  # build a new model from YAML
model = YOLO("yolo26n-sem.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo26n-sem.yaml").load("yolo26n-sem.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Train 페이지에서 전체 train mode 세부 정보를 확인하세요. 의미론적 분할 모델은 Ultralytics Platform cloud training을 사용하여 학습할 수도 있습니다.

데이터셋 형식#

의미론적 분할 데이터셋은 일반적으로 PNG 형식의 단일 채널 mask 이미지를 사용하며, 각 픽셀 값은 클래스 ID를 나타냅니다. 값이 255인 픽셀은 "ignore"로 처리되어 loss 계산에서 제외됩니다. 데이터셋 YAML에는 이미지와 해당 mask 디렉터리의 경로를 지정해야 합니다. 형식에 대한 자세한 내용은 Semantic Segmentation Dataset Guide를 참조하세요. 지원되는 데이터셋에는 Cityscapes와 ADE20K가 포함됩니다. Ultralytics Platform annotation을 사용하여 의미론적 데이터셋을 관리하고 라벨링할 수 있습니다.

검증#

의미론적 분할 데이터셋에서 학습된 YOLO26n-sem 모델의 accuracy를 검증합니다. 검증에서 의도한 데이터셋 YAML을 사용하도록 data을 명시적으로 전달합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val(data="cityscapes.yaml")
metrics.miou  # mean Intersection over Union
metrics.pixel_accuracy  # overall pixel accuracy

Prediction#

학습된 YOLO26n-sem 모델을 사용하여 이미지에 대한 prediction을 실행합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Predict with the model
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image

# Access the results
for result in results:
    semantic_mask = result.semantic_mask.data  # class map, shape (H,W), integer dtype selected by class count

전체 predict mode 세부 정보는 Predict 페이지를 참조하십시오.

결과 출력#

YOLO 의미론적 분할은 이미지마다 하나의 Results 객체를 반환합니다. 각 result에는 객체 mask 목록 대신 전체 이미지에 대한 하나의 조밀한 클래스 맵이 저장됩니다. 예측 클래스가 같은 픽셀은 서로 다른 객체에 속하더라도 동일한 클래스 ID를 공유합니다.

모든 task에서 task-specific Results field를 확인하려면 Predict Results by Task 섹션을 참조하십시오.

인스턴스 분할과 의미론적 분할#

내보내기#

YOLO26n-sem 모델을 ONNX, CoreML 등의 다른 형식으로 export합니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-sem.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Export the model
model.export(format="onnx")

사용 가능한 YOLO26 의미론적 분할 export 형식은 아래 표에 나와 있습니다. format 인수를 사용하여 모든 형식으로 export할 수 있으며, 예를 들어 format='onnx' 또는 format='engine'를 사용할 수 있습니다. export된 모델에서 직접 prediction 또는 validation을 실행할 수도 있으며, 예를 들어 yolo predict model=yolo26n-sem.onnx을 사용할 수 있습니다. export가 완료되면 해당 모델에 대한 사용 예시가 표시됩니다.

nms=None은(는) 외부 NMS에 대해 기본적으로 원시 출력을 사용합니다. 사용 가능한 NMS 프리 헤드를 선택하려면 nms=False을(를) 설정하세요. 지원되지 않는 형식은 기본 출력 경로로 대체됩니다. 위의 nms 항목은 nms=True(으)로 NMS를 임베드할 수 있는 형식을 식별합니다.

전체 export 세부 정보는 Export 페이지를 참조하십시오.

FAQ#