Python용 이미지 세분화 가이드

MediaPipe 이미지 세그먼터 작업을 사용하면 배경 흐리게 처리와 같은 시각적 효과를 적용하기 위해 사전 정의된 카테고리를 기반으로 이미지를 영역으로 나눌 수 있습니다. 이 안내에서는 Python 언어로 이미지 세그먼터 도구를 사용하는 방법을 보여줍니다. 이 태스크의 기능, 모델, 구성 옵션에 관한 자세한 내용은 개요를 참고하세요.

코드 예

이미지 세그먼터의 예시 코드는 참고용으로 Python에서 이 작업을 완전히 구현한 코드를 제공합니다. 이 코드는 이 작업을 테스트하고 자체 이미지 세그먼터 애플리케이션을 빌드하는 데 도움이 됩니다. 웹브라우저만 사용하여 이미지 세그먼터 예시 코드를 보고, 실행하고, 수정할 수 있습니다.

설정

이 섹션에서는 특히 Image Segmenter를 사용하기 위해 개발 환경 및 코드 프로젝트를 설정하는 주요 단계를 설명합니다. 플랫폼 버전 요구사항을 비롯하여 MediaPipe 작업을 사용하기 위한 개발 환경 설정에 관한 일반적인 정보는 Python 설정 가이드를 참고하세요. 이 예시의 소스 코드는 GitHub에서 검토할 수 있습니다.

패키지

MediaPipe 이미지 세그먼터 작업에는 mediapipe 패키지가 필요합니다. 다음 명령어를 사용하여 필요한 종속 항목을 설치할 수 있습니다.

$ python -m pip install mediapipe

가져오기

다음 클래스를 가져와서 이미지 세그먼터 태스크 함수에 액세스합니다.

import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision

모델

MediaPipe 이미지 세그먼터 작업에는 이 작업과 호환되는 학습된 모델이 필요합니다. Image Segmenter에 사용할 수 있는 학습된 모델에 관한 자세한 내용은 작업 개요 모델 섹션을 참고하세요.

모델을 선택하고 다운로드한 후 프로젝트 디렉터리 내에 저장합니다.

model_path = '/absolute/path/to/model.tflite'

아래와 같이 모델 이름 매개변수 내에 모델의 경로를 지정합니다.

base_options = BaseOptions(model_asset_path=model_path)

할 일 만들기

MediaPipe Image Segmenter 작업은 create_from_options 함수를 사용하여 작업을 설정합니다. create_from_options 함수는 구성 옵션이 처리할 값을 허용합니다. 태스크 구성에 관한 자세한 내용은 구성 옵션을 참고하세요.

또한 이러한 샘플은 이미지, 동영상 파일, 라이브 동영상 스트림의 작업 구성 변형을 보여줍니다.

이미지

BaseOptions = mp.tasks.BaseOptions
ImageSegmenter = mp.tasks.vision.ImageSegmenter
ImageSegmenterOptions = mp.tasks.vision.ImageSegmenterOptions
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a image segmenter instance with the image mode:
options = ImageSegmenterOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.task'),
    running_mode=VisionRunningMode.IMAGE,
    output_category_mask=True)
with ImageSegmenter.create_from_options(options) as segmenter:

동영상

BaseOptions = mp.tasks.BaseOptions
ImageSegmenter = mp.tasks.vision.ImageSegmenter
ImageSegmenterOptions = mp.tasks.vision.ImageSegmenterOptions
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a image segmenter instance with the video mode:
options = ImageSegmenterOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.task'),
    running_mode=VisionRunningMode.VIDEO,
    output_category_mask=True)
with ImageSegmenter.create_from_options(options) as segmenter:

실시간 스트림

BaseOptions = mp.tasks.BaseOptions
ImageSegmenter = mp.tasks.vision.ImageSegmenter
ImageSegmenterOptions = mp.tasks.vision.ImageSegmenterOptions
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a image segmenter instance with the live stream mode:
def print_result(result: List[Image], output_image: Image, timestamp_ms: int):
    print('segmented masks size: {}'.format(len(result)))

options = ImageSegmenterOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.task'),
    running_mode=VisionRunningMode.VIDEO,
    output_category_mask=True)
with ImageSegmenter.create_from_options(options) as segmenter:

구성 옵션

이 작업에는 Python 애플리케이션의 다음 구성 옵션이 있습니다.

옵션 이름 설명 값 범위 기본값
running_mode 태스크의 실행 모드를 설정합니다. 모드는 세 가지입니다.

IMAGE: 단일 이미지 입력의 모드입니다.

동영상: 동영상의 디코딩된 프레임 모드입니다.

LIVE_STREAM: 카메라와 같은 입력 데이터의 라이브 스트림 모드입니다. 이 모드에서는 결과를 비동기식으로 수신할 리스너를 설정하려면 resultListener를 호출해야 합니다. 		{IMAGE, VIDEO, LIVE_STREAM} IMAGE
output_category_mask True로 설정하면 출력에 세분화 마스크가 uint8 이미지로 포함되며 여기서 각 픽셀 값은 낙찰된 카테고리 값을 나타냅니다. {True, False} False
output_confidence_masks True로 설정하면 출력에 세분화 마스크가 부동 소수점 값 이미지로 포함되며, 여기서 각 부동 소수점 값은 카테고리의 신뢰도 점수 맵을 나타냅니다. {True, False} True
display_names_locale 가능한 경우 태스크 모델의 메타데이터에 제공된 표시 이름에 사용할 라벨의 언어를 설정합니다. 기본값은 영어의 경우 en입니다. TensorFlow Lite Metadata Writer API를 사용하여 맞춤 모델의 메타데이터에 현지화된 라벨을 추가할 수 있습니다. 언어 코드 en
result_callback 이미지 세그먼터가 LIVE_STREAM 모드일 때 분할 결과를 비동기식으로 수신하도록 결과 리스너를 설정합니다. 실행 모드가 LIVE_STREAM로 설정된 경우에만 사용할 수 있습니다. 해당 사항 없음 해당 사항 없음

데이터 준비

입력을 이미지 파일 또는 numpy 배열로 준비한 다음 mediapipe.Image 객체로 변환합니다. 입력이 동영상 파일 또는 웹캠의 라이브 스트림인 경우 OpenCV와 같은 외부 라이브러리를 사용하여 입력 프레임을 numpy 배열로 로드할 수 있습니다.

이미지

# Load the input image from an image file.
mp_image = mp.Image.create_from_file('/path/to/image')

# Load the input image from a numpy array.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_image)

동영상

# Use OpenCV’s VideoCapture to load the input video.
# Load the frame rate of the video using OpenCV’s CV_CAP_PROP_FPS
# You need the frame rate to calculate the timestamp for each frame.
# Loop through each frame in the video using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)

실시간 스트림

# Use OpenCV’s VideoCapture to start capturing from the webcam.
# Create a loop to read the latest frame from the camera using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)

이미지 세그먼터의 데이터 준비를 보여주는 코드 예는 코드 예를 참고하세요.

태스크 실행

이미지 세그먼터는 segment, segment_for_video, segment_async 함수를 사용하여 추론을 트리거합니다. 이미지 분할의 경우 입력 데이터를 사전 처리하고, 분할 모델을 실행하고, 원시 모델 출력을 분할된 마스크로 후처리하는 것이 포함됩니다.

다음 코드 예는 태스크 모델로 처리를 실행하는 방법을 보여줍니다.

이미지

# Perform image segmentation on the provided single image.
# The image segmenter must be created with the image mode.
segmented_masks = segmenter.segment(mp_image)

동영상

# Perform image segmentation on the provided single image.
# The image segmenter must be created with the video mode.
segmented_masks = segmenter.segment_for_video(mp_image, frame_timestamp_ms)

실시간 스트림

# Send live image data to perform image segmentation.
# The results are accessible via the `result_callback` provided in
# the `ImageSegmenterOptions` object.
# The image segmenter must be created with the live stream mode.
segmenter.segment_async(mp_image, frame_timestamp_ms)

다음에 유의하세요.

  • 동영상 모드 또는 라이브 스트림 모드에서 실행하는 경우 이미지 세그먼터 작업에 입력 프레임의 타임스탬프도 제공해야 합니다.
  • 이미지 또는 동영상 모델에서 실행되면 이미지 세그먼터 작업은 입력 이미지 또는 프레임 처리를 완료할 때까지 현재 스레드를 차단합니다.

이미지 세그먼터 추론 실행에 관한 더 완전한 예는 코드 예를 참고하세요.

결과 처리 및 표시

이미지 세그먼터는 Image 데이터 목록을 출력합니다. output_type이 CATEGORY_MASK이면 출력은 단일 세분화된 마스크를 uint8 이미지로 포함하는 목록입니다. 이 픽셀은 입력 이미지의 인식된 카테고리 색인을 나타냅니다. output_type이 CONFIDENCE_MASK이면 출력은 카테고리 수 크기의 벡터입니다. 각 세그먼트화된 마스크는 카테고리에 속하는 픽셀의 신뢰도 점수를 나타내는 [0,1] 범위 내의 부동 소수점 이미지입니다.

다음 섹션에서는 이 태스크의 출력 데이터 예시를 보여줍니다.

카테고리 신뢰도

다음 이미지는 카테고리 신뢰도 마스크의 태스크 출력 시각화를 보여줍니다. 신뢰도 마스크 출력에는 [0, 1] 사이의 부동 소수점 값이 포함됩니다.

말을 타고 있는 두 소녀와 말 옆을 걷고 있는 한 소녀 이전 사진에서 소녀와 말의 윤곽을 그리는 이미지 마스크입니다. 이미지의 윤곽선 왼쪽 절반은 캡처되었지만 오른쪽 절반은 캡처되지 않음

원본 이미지 및 카테고리 신뢰도 마스크 출력 Pascal VOC 2012 데이터 세트의 소스 이미지입니다.

카테고리 값

다음 이미지는 카테고리 값 마스크의 태스크 출력 시각화를 보여줍니다. 카테고리 마스크 범위는 [0, 255]이고 각 픽셀 값은 모델 출력의 낙찰 카테고리 색인을 나타냅니다. 낙찰된 카테고리 색인은 모델이 인식할 수 있는 카테고리 중에서 가장 높은 점수를 갖습니다.

말을 타고 있는 두 소녀와 말 옆을 걷고 있는 한 소녀 이전 이미지에서 소녀와 말의 윤곽을 그리는 이미지 마스크입니다. 세 명의 소녀와 말의 모양이 정확하게 마스크 처리되었습니다.

원본 이미지 및 카테고리 마스크 출력 Pascal VOC 2012 데이터 세트의 소스 이미지입니다.