7가지 비전 작업

한눈에 보는 7가지 작업#

출력 열을 기준으로 표를 살펴보세요. 명세의 출력 행이 이에 맞아야 합니다.

두 쌍의 개념이 자주 혼동됩니다. 인스턴스 분할과 시맨틱 분할: 인스턴스 분할은 각 객체를 구분합니다(자동차 3대, 마스크 3개). 시맨틱 분할은 클래스만 기준으로 픽셀에 레이블을 지정합니다("자동차" 영역 하나, 개수 구분 없음). 검출과 OBB: 둘 다 객체별 박스 하나를 반환하지만, OBB는 객체의 방향에 맞춰 회전합니다. 따라서 하향식 이미지에서 객체가 비스듬히 놓인 경우 중요합니다.

하나의 API, 일곱 가지 출력#

작업을 전환한다고 도구까지 바꿀 필요는 없습니다. 가중치 파일에 따라 반환되는 값이 결정되며, Results 객체는 해당하는 속성을 채웁니다:

from ultralytics import YOLO

image = "https://ultralytics.com/images/bus.jpg"
outputs = ["probs", "boxes", "masks", "semantic_mask", "depth", "keypoints", "obb"]

for suffix in ["-cls", "", "-seg", "-sem", "-depth", "-pose", "-obb"]:
    weights = f"yolo26n{suffix}.pt"
    model = YOLO(weights)
    result = model(image, verbose=False)[0]
    filled = [name for name in outputs if getattr(result, name) is not None]
    print(f"{weights:18} task={model.task:9} -> {', '.join(filled)}")

yolo26n-cls.pt     task=classify  -> probs
yolo26n.pt         task=detect    -> boxes
yolo26n-seg.pt     task=segment   -> boxes, masks
yolo26n-sem.pt     task=semantic  -> semantic_mask
yolo26n-depth.pt   task=depth     -> depth
yolo26n-pose.pt    task=pose      -> boxes, keypoints
yolo26n-obb.pt     task=obb       -> obb

오른쪽 열을 살펴보세요. 분할과 자세 추정도 박스를 반환합니다. 검출에 한 가지가 더해진 작업이기 때문입니다. 시맨틱 분할과 깊이 추정은 객체별 출력을 전혀 반환하지 않고, 대신 모든 픽셀을 설명합니다. 후속 코드에서는 이 속성 중 하나만 읽으므로, 사양의 출력 항목에 해당 속성의 이름을 명시해야 합니다.

실제 상황에서 선택하기#

예측 하나가 무엇을 설명해야 하는지부터 정한 다음, 의사결정 항목에 답하는 작업 중 가장 비용이 낮은 작업을 선택하세요:

1. 이미지 전체에 대한 레이블 하나 → 분류.
2. 객체를 구분할 필요 없이 모든 픽셀의 클래스가 필요함 → 시맨틱 분할.
3. 모든 픽셀의 거리가 필요함 → 깊이 추정.
4. 각 객체에 대한 정보:
   • 객체의 위치를 알아내 개수를 세거나, 위치를 파악하거나, 필터링하려는 경우 → 검출(프레임 간 동일한 객체를 식별하려면 추적을 추가합니다);
   • 객체의 정확한 형태, 경계 또는 면적이 필요한 경우 → 인스턴스 분할;
   • 객체의 자세가 필요한 경우 → 자세 추정;
   • 하향식 이미지에서 객체의 회전 방향이 필요한 경우 → OBB.

두 작업 모두 적합하다면 레이블을 지정하고 실행하는 데 비용이 더 적게 드는 작업을 선택하세요. 대부분의 제품에서 기본 선택은 검출입니다. 박스는 빠르게 그리고 검토할 수 있으며, 추적을 추가하면 다음 고속도로 장면처럼 계수, 구역 알림, 교통량 분석에도 활용할 수 있습니다:

깊이: "얼마나 먼가요?"에 답하는 작업#

깊이 추정은 이미지와 크기가 같은 맵을 반환하며, 픽셀마다 거리를 미터 단위로 표시합니다. 클래스나 박스는 없습니다. 거리가 의사결정을 좌우하는 경우에 사용하세요. 예를 들어 장애물을 피하는 로봇, 가까운 물체를 감지하면 속도를 줄이는 차량, 더미의 대략적인 부피 추정 등이 있습니다.

from ultralytics import YOLO

model = YOLO("yolo26n-depth.pt")
result = model("https://ultralytics.com/images/bus.jpg", verbose=False)[0]

depth = result.depth.data  # meters, one value per pixel
print(f"depth map {tuple(depth.shape)}, nearest {float(depth.min()):.1f} m, farthest {float(depth.max()):.1f} m")

depth map (1080, 810), nearest 2.0 m, farthest 14.9 m

단일 카메라는 원근감과 객체 크기 같은 학습된 단서를 바탕으로 깊이를 추정하므로, 안전이 중요한 거리에 사용하기 전에 자체 장면에서 오차를 측정하세요. 깊이 추정은 검출과 함께 사용하기 좋습니다. 객체를 검출한 다음 해당 박스 안의 깊이 맵 값을 읽으면 됩니다.

주의할 점#