AI 프로젝트 (인스턴스 분할)
이미지에 포함된 객체의 종류와 위치를 식별하고, 객체별 영역을 픽셀 단위의 마스크로 분할하는 딥러닝 모델을 학습합니다.
객체 탐지는 객체를 사각형 영역으로 표시하지만, 인스턴스 분할은 객체의 실제 모양에 맞춰 각 객체의 영역을 마스크로 표시합니다. 따라서 서로 겹쳐 있는 객체도 개별 객체 단위로 구분할 수 있습니다.
학습 포인트
본 시스템에서 인스턴스 분할은 객체탐지와 모델 구성 및 하이퍼파라미터의 고급설정 기능을 제외하고 동일합니다.
동일한 기능에 대한 설명은 객체 탐지를 참고하세요.
인공지능 학습
버전 생성이 완료되면 하이퍼파라미터를 설정하고 모델 학습을 시작할 수 있습니다.
하이퍼파라미터
| 구분 | 내용 |
|---|---|
| 모델 선택 | 인스턴스 분할 학습에 사용할 모델을 선택합니다. |
| 배치 크기 | 한 번의 학습 단계에서 함께 처리할 이미지 수를 설정합니다. |
| 훈련 횟수 | 전체 학습 데이터를 반복해서 학습할 횟수(Epoch)를 설정합니다. |
모델 목록
| 모델 | 내용 |
|---|---|
| YOLO v11 Segmentation | 객체별 마스크를 생성하여 객체의 클래스와 실제 영역을 함께 예측하는 인스턴스 분할 모델입니다. |
| YOLO v26 Segmentation | 최신 인스턴스 분할 학습 구조를 사용하는 모델로, 객체별 마스크 생성 성능과 추론 방식을 비교할 때 사용할 수 있습니다. |
각 모델 버전은 Small, Medium, Large, XLarge 등 다양한 크기로 제공될 수 있습니다. 모델 크기가 클수록 더 많은 연산 자원과 학습 시간이 필요할 수 있으므로, 데이터의 복잡도와 필요한 분할 정확도, 사용 가능한 GPU 메모리를 함께 고려하여 선택해야 합니다.
하이퍼파라미터 고급 설정
하이퍼파라미터 고급설정 미지원
현재 인스턴스 분할 프로젝트에서는 고급 하이퍼파라미터 설정을 제공하지 않습니다.
모델 선택, 배치 크기, 훈련 횟수만 설정할 수 있습니다.
학습 결과
모델 학습이 완료되면 학습 결과 화면에서 평가 지표와 추가 분석 정보를 확인할 수 있습니다.
모델 평가 지표
| 구분 | 내용 |
|---|---|
| 평균 정밀도(mAP) | 클래스별 평균 정밀도(AP)를 평균화한 지표입니다. 객체의 클래스와 마스크 영역을 얼마나 정확하게 예측하는지 종합적으로 확인할 수 있습니다. |
| 정밀도(Precision) | 모델이 객체로 예측한 항목 중 실제 객체에 해당하는 항목의 비율입니다. 높을수록 잘못된 객체 예측이 적다는 의미입니다. |
| 재현율(Recall) | 실제 객체 중 모델이 올바르게 예측한 객체의 비율입니다. 높을수록 실제 객체를 놓치는 경우가 적다는 의미입니다. |
인스턴스 분할에서는 객체의 클래스뿐 아니라 예측한 마스크가 실제 객체 영역과 얼마나 겹치는지도 함께 평가합니다. 마스크는 이미지에서 객체에 해당하는 픽셀 영역을 의미합니다.
추가 지표
검증 데이터 추론 결과와 학습 과정의 성능 차트를 확인할 수 있습니다.
| 검증 데이터 추론 결과 | 성능 차트 |
|---|---|
| 검증 데이터에 모델을 적용한 결과를 확인합니다. 예측한 객체의 위치, 클래스, 신뢰도 등을 통해 탐지 결과를 직접 검토할 수 있습니다. | 학습 과정에서 계산된 손실과 평가 지표의 변화를 차트로 확인합니다. |
 |  |
팁
- IoU: IoU는 예측한 객체 영역과 실제 객체 영역이 얼마나 겹치는지 나타내는 지표입니다.
IoU = 겹치는 영역의 넓이 ÷ 두 영역을 합친 전체 넓이IoU 값은 0에서 1 사이이며, 1에 가까울수록 예측 영역과 실제 영역이 정확하게 일치한다는 의미입니다. - mAP50: IoU 기준을 0.5로 설정하여 계산한 평균 정밀도입니다. 예측 마스크와 실제 마스크가 일정 수준 이상 겹치는지를 기준으로 성능을 평가합니다.
- mAP50-95: IoU 기준을 0.5부터 0.95까지 변경하며 계산한 평균 정밀도입니다. 여러 기준에서 마스크가 실제 영역과 얼마나 정확하게 일치하는지 확인할 수 있습니다.
- Segmentation Loss: 모델이 예측한 객체 마스크와 실제 마스크의 차이를 나타내는 손실입니다. 일반적으로 값이 낮을수록 객체 영역을 실제 형태에 가깝게 분할했다는 의미입니다.
- Classification Loss: 예측한 객체 클래스와 실제 클래스의 차이를 나타내는 손실입니다. 일반적으로 값이 낮을수록 클래스 분류 오차가 작습니다.
- Distribution Focal Loss: 객체 위치의 경계를 더 정밀하게 예측하기 위한 손실 항목입니다. 일반적으로 값이 낮을수록 위치 예측 오차가 작습니다.