실시간 YOLO 의미론적 분할
픽셀마다 세밀한 클래스 라벨을 부여해 장면 전체를 이해합니다. Ultralytics 의미론적 분할 모델은 모든 픽셀을 도로, 식생, 건물, 제품 등으로 분류하며, 모든 YOLO 작업과 동일하고 빠른 학습 및 배포 워크플로를 제공합니다.
YOLO26 의미론적 분할 모델
YOLO26-sem 모델은 장면의 모든 픽셀에 레이블을 지정하며, 아래에는 1024×2048 해상도의 평균 IoU로 보고되어 있습니다. 5가지 크기는 엣지 배포부터 정확도가 중요한 매핑까지 지원하며, 가벼운 워크로드를 위한 640픽셀 변형 모델도 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 문서의 1024×2048 해상도 YOLO26 의미론적 분할 벤치마크입니다.
세계 유수의 조직이 신뢰합니다
모델이 미치는 영향
Ultralytics의 최첨단 비전 AI 모델로 다양한 산업 분야의 프로세스를 간소화하세요. 속도, 정확도, 사용 편의성을 제공합니다.
Ultralytics YOLO 모델의 발전 과정
실용적인 YOLOv5 워크플로에서 엣지에 최적화된 YOLO26 추론에 이르기까지 Ultralytics YOLO의 발전 과정을 살펴보세요.
스마트 어노테이션으로 최대 10배 더 빠르게 라벨링하세요
Ultralytics Platform은 고품질 데이터셋을 더 빠르게 구축할 수 있는 이미지 어노테이션 도구를 제공합니다. 스마트 어노테이션부터 정밀한 수동 편집까지, 이러한 기능은 품질을 유지하면서 이미지 라벨링 시간을 줄이도록 설계되었습니다.
- SAM 기반 스마트 어노테이션:한 번의 클릭으로 마스크와 바운딩 박스를 생성합니다.
- 모든 AI 작업 지원:객체 탐지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 분류, 포즈, OBB.
- 범용 형식 지원:YOLO, COCO 등 원하는 형식을 선택하세요.
- 팀 검토 및 버전 관리:모든 단계에서 원활하게 협업할 수 있습니다.
최고의 GPU에서 더 저렴하게 학습하세요
26개의 NVIDIA GPU를 시간당 $0.24부터 이용할 수 있습니다 — Ampere부터 Blackwell까지. 추가 요금, 최소 이용 조건, 약정이 없습니다.
산업별 솔루션 살펴보기
팀이 실제 운영 환경 전반에서 Ultralytics 컴퓨터 비전을 어떻게 적용하는지 알아보세요.
농업
자동차
의료
물류
제조
소매
로보틱스
자주 묻는 질문
의미론적 분할은 이미지의 모든 픽셀에 클래스 라벨을 지정하여, 경계 상자나 개별 객체 마스크가 아닌 장면 전체의 조밀한 맵을 생성합니다. 도로, 물, 작물 또는 결함에 해당하는 픽셀이 어디인지 파악할 수 있어 모빌리티, 농업, 검사 및 매핑 분야의 장면 이해를 위한 기반이 됩니다.
의미론적 분할은 개별 객체를 구분하지 않고 클래스별로 모든 픽셀에 라벨을 지정하므로 모든 자동차가 같은 라벨을 공유합니다. 인스턴스 분할은 객체마다 서로 다른 마스크를 생성하므로 객체를 세고 추적할 수 있습니다. 장면 수준의 이해에는 의미론적 분할을, 객체 수준의 분석에는 인스턴스 분할을 사용하세요. Ultralytics는 하나의 워크플로에서 두 방식을 모두 지원합니다.
Ultralytics 의미론적 분할 모델은 YOLO 제품군 최초로 픽셀마다 조밀한 라벨을 생성하는 모델이며, Ultralytics 로드맵에 발표되고 의미론적 분할 문서에 소개되어 있습니다. 익숙한 Ultralytics 학습, 검증 및 내보내기 워크플로를 공유합니다.
클래스별 픽셀 마스크를 준비한 다음 Ultralytics 라이브러리의 학습 모드를 실행하거나, Ultralytics Platform에서 브라우저로 어노테이션, 클라우드 GPU 학습 및 평가를 관리하세요. 사전 학습된 가중치를 파인튜닝하는 것이 우수한 결과를 얻는 가장 빠른 방법입니다.
내보내기 모드를 사용해 ONNX, OpenVINO, TensorRT 등의 형식으로 내보내면 엣지 디바이스, 차량 및 서버에서 실시간 추론을 수행할 수 있습니다. 내보낸 모델에서 픽셀별 조밀한 출력이 직접 생성되므로 다운스트림 파이프라인을 간소화할 수 있습니다.
Ultralytics로 의미론적 분할 구축하기
Ultralytics Platform을 사용해 픽셀별 조밀한 분할 모델을 학습하고 어디서나 배포하세요.