Python용 이미지 세분화 가이드

MediaPipe 이미지 세분화 도구를 사용하면 배경 블러와 같은 시각적 효과를 적용하기 위해 사전 정의된 카테고리에 따라 이미지를 영역으로 나눌 수 있습니다. 이 안내에서는 Python 언어로 이미지 분할기를 사용하는 방법을 보여줍니다. 이 작업의 기능, 모델, 구성 옵션에 대한 자세한 내용은 개요를 참조하세요.

코드 예시

이미지 세분화기의 예시 코드는 참조용으로 Python에서 이 작업의 온전한 구현을 제공합니다. 이 코드는 이 작업을 테스트하고 자체 이미지 분할기 애플리케이션 빌드를 시작하는 데 도움이 됩니다. 웹브라우저만 사용하여 이미지 분할기 예시 코드를 보고 실행하고 수정할 수 있습니다.

설정

이 섹션에서는 개발 환경을 설정하고 특히 이미지 세그먼트 도구를 사용하도록 프로젝트를 코딩하는 주요 단계를 설명합니다. 플랫폼 버전 요구사항을 포함하여 MediaPipe 태스크를 사용하기 위한 개발 환경 설정에 관한 일반적인 정보는 Python 설정 가이드를 참조하세요. 이 예시의 소스 코드는 GitHub에서 검토할 수 있습니다.

패키지

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

$ python -m pip install mediapipe

가져오기

이미지 분할기 작업 함수에 액세스하려면 다음 클래스를 가져옵니다.

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

모델

MediaPipe 이미지 분할기 작업에는 이 작업과 호환되는 학습된 모델이 필요합니다. 이미지 분할기에 사용할 수 있는 학습된 모델에 대한 자세한 내용은 작업 개요 모델 섹션을 참조하세요.

모델을 선택 및 다운로드한 후 프로젝트 디렉터리에 저장합니다.

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

아래와 같이 모델 이름 매개변수 내에서 모델의 경로를 지정합니다.

base_options = BaseOptions(model_asset_path=model_path)

할 일 만들기

MediaPipe 이미지 분할기 작업은 create_from_options 함수를 사용하여 작업을 설정합니다. create_from_options 함수는 처리할 구성 옵션의 값을 허용합니다. 태스크 구성에 대한 자세한 내용은 구성 옵션을 참조하세요.

또한 이 샘플은 이미지, 동영상 파일, 라이브 동영상 스트림의 작업 구성의 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:
  

라이브 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 태스크에는 다음과 같은 Python 애플리케이션 구성 옵션이 있습니다.

옵션 이름 설명 값 범위 기본값
running_mode 작업의 실행 모드를 설정합니다. 모드는 세 가지가 있습니다.

IMAGE: 단일 이미지 입력 모드입니다.

VIDEO: 동영상의 디코딩된 프레임에 대한 모드입니다.

LIVE_STREAM: 카메라에서 전송하는 것과 같은 입력 데이터의 실시간 스트림 모드입니다. 이 모드에서는 resultListener를 호출하여 비동기식으로 결과를 수신하도록 리스너를 설정해야 합니다.
{IMAGE, VIDEO, LIVE_STREAM} IMAGE
output_category_mask True로 설정하면 출력에 uint8 이미지로 세분화 마스크가 포함되며, 여기서 각 픽셀 값은 선정된 카테고리 값을 나타냅니다. {True, False} False
output_confidence_masks True로 설정하면 출력에 분할 마스크가 부동 값 이미지로 포함되며, 여기서 각 부동 소수점 값은 카테고리의 신뢰도 점수 맵을 나타냅니다. {True, False} True
display_names_locale 가능한 경우 태스크 모델의 메타데이터에 제공되는 표시 이름에 사용할 라벨 언어를 설정합니다. 기본값은 영어의 경우 en입니다. TensorFlow Lite Metadata Writer API를 사용하여 커스텀 모델의 메타데이터에 현지화된 라벨을 추가할 수 있습니다. 언어 코드 한국어
result_callback 이미지 분할기가 라이브 스트림 모드일 때 세분화 결과를 비동기식으로 수신하도록 결과 리스너를 설정합니다. 달리기 모드가 LIVE_STREAM으로 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 파일이나 웹캠의 실시간 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)
    

라이브 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 분할기를 위한 데이터 준비를 보여주는 코드 예는 코드 예를 참고하세요.

작업 실행

이미지 세분화는 segment, segment_for_video, segment_async 함수를 사용하여 추론을 트리거합니다. 이미지 분할의 경우 입력 데이터 사전 처리, 분할 모델 실행, 분할된 마스크로 원시 모델 출력 후처리가 포함됩니다.

다음 코드 예는 작업 모델을 사용하여 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)
    

라이브 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 분할기 작업에 입력 프레임의 타임스탬프도 제공해야 합니다.
  • 이미지 또는 동영상 모델에서 실행되는 경우 이미지 분할기 작업은 입력 이미지 또는 프레임 처리가 완료될 때까지 현재 스레드를 차단합니다.

이미지 분할기 추론을 실행하는 더 완전한 예는 코드 예를 참고하세요.

결과 처리 및 표시

이미지 세분화는 Image 데이터 목록을 출력합니다. output_typeCATEGORY_MASK이면 세그먼트화된 단일 마스크가 uint8 이미지로 포함된 목록이 출력됩니다. 픽셀은 입력 이미지에서 인식된 카테고리 색인을 나타냅니다. output_typeCONFIDENCE_MASK이면 카테고리 번호 크기의 벡터가 출력됩니다. 분할된 각 마스크는 [0,1] 범위 내의 부동 소수점 이미지로, 카테고리에 속한 픽셀의 신뢰도 점수를 나타냅니다.

다음 섹션에서는 이 작업의 출력 데이터 예를 보여줍니다.

카테고리 신뢰도

다음 이미지는 카테고리 신뢰도 마스크의 작업 출력을 시각화한 것입니다. 신뢰도 마스크 출력에는 [0, 1] 사이의 부동 소수점 값이 포함됩니다.

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

카테고리 값

다음 이미지는 카테고리 값 마스크의 작업 출력을 시각화한 것입니다. 카테고리 마스크 범위는 [0, 255]이며 각 픽셀 값은 모델 출력의 최우수 카테고리 색인을 나타냅니다. 우승한 카테고리 색인은 모델이 인식할 수 있는 카테고리 중에서 가장 높은 점수를 받습니다.

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