실시간 YOLO 시맨틱 분할
조밀한 픽셀별 클래스 레이블로 전체 장면을 이해하세요. Ultralytics 시맨틱 분할 모델은 모든 YOLO 작업과 동일한 빠른 학습 및 배포 워크로드를 통해 도로, 식생, 건물, 제품 등 모든 픽셀을 분류합니다.
YOLO26 시맨틱 분할 모델
YOLO26-sem 모델은 장면에 있는 모든 픽셀에 레이블을 지정하며, 아래에는 1024×2048 해상도에서의 평균 IoU로 보고됩니다. 5가지 크기가 에지 배포부터 정확도가 중요한 매핑까지 아우르며, 더 가벼운 워크로드를 위해 추가 640픽셀 변형이 문서화되어 있습니다.
pip install ultralyticsfrom ultralytics import YOLO
# Load a YOLO26 semantic segmentation model
model = YOLO("yolo26n-sem.pt")
# Run inference
results = model("image.jpg")| 모델 | 크기 (px) | mIoU | RTX 3090 PyTorch (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|
| YOLO26n-sem | 1024 × 2048 | 78.3 | 4.4 ± 0.0 | 1.6 | 22.7 |
| YOLO26s-sem | 1024 × 2048 | 80.8 | 8.4 ± 0.0 | 6.5 | 88.8 |
| YOLO26m-sem | 1024 × 2048 | 82.0 | 19.9 ± 0.1 | 14.3 | 304.5 |
| YOLO26l-sem | 1024 × 2048 | 82.9 | 26.5 ± 0.1 | 17.9 | 384.7 |
| YOLO26x-sem | 1024 × 2048 | 83.6 | 48.9 ± 0.2 | 40.2 | 861.7 |
Ultralytics 문서에서 제공하는 1024×2048 해상도의 YOLO26 시맨틱 분할 벤치마크입니다.
전 세계 선도 기업들이 신뢰하는 플랫폼
당사 모델의 영향력
최첨단 비전 AI 모델을 통해 산업 전반의 프로세스를 간소화하십시오. Ultralytics가 제공하는 속도, 정확성, 사용 편의성을 경험해 보세요.
Ultralytics YOLO 모델의 진화
실용적인 YOLOv5 워크플로에서 에지 준비 완료된 YOLO26 추론에 이르기까지 Ultralytics YOLO의 진화 과정을 확인하십시오.
스마트 어노테이션으로 최대 10배 더 빠른 라벨링
Ultralytics Platform은 고품질 데이터셋을 더 빠르게 구축할 수 있는 이미지 어노테이션 도구를 제공합니다. 스마트 어노테이션부터 정밀한 수동 편집까지, 이러한 기능들은 품질 저하 없이 이미지 라벨링 시간을 줄이도록 설계되었습니다.
- SAM 기반 스마트 어노테이션: 클릭 한 번으로 마스크와 바운딩 박스를 생성합니다.
- 전체 AI 태스크 지원: 객체 검출, 인스턴스 세분화, 시맨틱 세분화, 분류, 포즈, OBB.
- 범용 포맷 지원: YOLO, COCO 등 원하는 형식을 선택하세요.
- 팀 검토 및 버전 관리: 모든 단계에서의 명확한 협업.
최고의 GPU를 더 합리적인 비용으로 학습에 활용하세요
Ampere부터 Blackwell까지 26개의 NVIDIA GPU를 시간당 $0.24부터 제공합니다. 추가 마크업, 최소 비용, 약정이 없습니다.
산업별 솔루션 살펴보기
다양한 프로덕션 환경에서 팀들이 Ultralytics 컴퓨터 비전을 어떻게 활용하는지 확인해 보세요.
농업
자동차
헬스케어
물류
제조
소매
로봇 공학
농업
자동차
헬스케어
물류
제조
소매
로봇 공학
농업
자동차
헬스케어
물류
제조
소매
로봇 공학
자주 묻는 질문
Semantic segmentation은 이미지의 모든 픽셀에 클래스 레이블을 할당하여 상자나 객체별 마스크 대신 전체 장면의 조밀한 맵을 생성합니다. 이 기술은 도로, 물, 농작물, 결함 등이 어떤 픽셀에 해당하는지 파악하는 질문에 답하며, 모빌리티, 농업, 검사 및 매핑 분야에서 장면 이해의 기초가 됩니다.
의미론적 분할은 개별 객체를 분리하지 않고 클래스별로 모든 픽셀에 레이블을 지정하므로 모든 자동차가 하나의 레이블을 공유합니다. Instance segmentation은 객체마다 고유한 마스크를 생성하므로 객체를 세고 추적할 수 있습니다. 장면 수준의 이해에는 의미론적 분할을 사용하고, 객체 수준의 분석에는 인스턴스 분할을 사용하며, Ultralytics는 단일 워크플로로 두 가지 모두를 지원합니다.
Ultralytics 의미론적 분할 모델은 YOLO 제품군 최초로 조밀한 픽셀별 레이블을 생성하는 모델이며, Ultralytics roadmap에 발표되었고 semantic segmentation docs에 문서화되어 있습니다. 이 모델들은 친숙한 Ultralytics 학습, 검증, 내보내기 워크플로를 공유합니다.
클래스에 대한 픽셀별 마스크를 준비하고 Ultralytics 라이브러리의 train mode를 실행하거나, Ultralytics Platform을 사용하여 브라우저에서 주석, 클라우드 GPU 학습 및 평가를 관리하세요. 사전 학습된 가중치를 미세 조정하는 것이 강력한 결과로 가는 가장 빠른 경로입니다.
export mode를 사용하여 ONNX, TensorRT, OpenVINO 등의 형식으로 내보내면 엣지 디바이스, 차량, 서버에서 실시간 추론을 수행할 수 있습니다. 조밀한 픽셀별 출력은 내보낸 모델에서 직접 생성되므로 다운스트림 파이프라인이 단순하게 유지됩니다.
Ultralytics로 시맨틱 분할 구축하기
조밀한 픽셀별 분할 모델을 학습시키고 Ultralytics Platform을 사용하여 어디에나 배포하세요.