의미론적 분할

ground truth에 레이블 지정, 사전 훈련된 AI 모델을 사용하여 의미론적 분할 수행, 전이 학습을 통해 U-Net과 같은 사용자 지정 신경망 훈련

Computer Vision Toolbox™의 의미론적 분할 툴을 사용하면, 사전 훈련된 AI 모델과 사용자 지정 딥러닝 신경망을 모두 활용하여 영상의 픽셀 수준 분류를 수행할 수 있습니다. 영상 레이블 지정기 앱과 비디오 레이블 지정기 앱을 사용하여 레이블이 지정된 ground truth를 만드는 것부터 시작할 수 있습니다. 이 두 앱은 대화형 및 AI 지원 방식으로 영상과 비디오에서 클래스 레이블을 사용한 픽셀 수준 주석 처리를 지원합니다. 자세한 내용은 Label Pixels for Semantic Segmentation 항목을 참조하십시오.

이 툴박스는 BiSeNet V2와 같은 사전 훈련된 의미론적 분할 모델을 제공합니다. 이러한 모델을 바로 추론에 사용하거나 특정 응용 분야에 맞게 조정할 수 있습니다. U-Net, 3D U-Net, DeepLab v3+와 같은 아키텍처에 전이 학습을 사용하여 사용자 지정 분할 신경망을 훈련시킬 수도 있습니다. 자세한 내용은 딥러닝을 사용한 의미론적 분할 시작하기 항목을 참조하십시오.

훈련 데이터를 준비하기 위해, 이 툴박스는 데이터 세트를 불러오고 관리하는 유틸리티와 함께 레이블 분포를 구성하고 분석하는 기능을 제공합니다. 툴박스는 데이터 증강 및 전처리도 지원합니다. 자세한 내용은 Training Data for Object Detection and Semantic Segmentation 항목을 참조하십시오.

사전 훈련된 모델이나 사용자 지정 모델을 사용하여 예측을 생성한 후에는 분할 예측을 ground truth와 비교하여 평가하고, 윤곽선 일치 점수, Sørensen-Dice 유사성, 자카드 유사성, 혼동행렬과 같은 평가 메트릭을 계산할 수 있습니다. 자세한 내용은 evaluateSemanticSegmentation 항목을 참조하십시오.

Input image of a seascape, then a series of cubes representing a deep learning network, and a semantically segmented output image of the input image.

앱

영상 레이블 지정기	컴퓨터 비전 응용 분야에서 영상에 레이블 지정
비디오 레이블 지정기	Label video for computer vision applications

함수

모두 확장

사전 훈련된 의미론적 분할 AI 모델

`bisenetv2`	Create BiSeNet v2 convolutional neural network for semantic segmentation (R2025a 이후)
`semanticseg`	Semantic image segmentation using deep learning

전이 학습을 사용하여 의미론적 분할 신경망 훈련

`bisenetv2`	Create BiSeNet v2 convolutional neural network for semantic segmentation (R2025a 이후)
`unet`	의미론적 분할을 위한 U-Net 컨벌루션 신경망 만들기 (R2024a 이후)
`unet3d`	Create 3-D U-Net convolutional neural network for semantic segmentation of volumetric images (R2024a 이후)
`deeplabv3plus`	의미론적 영상 분할을 위한 DeepLab v3+ 컨벌루션 신경망 생성 (R2024a 이후)
`focalCrossEntropy`	Compute focal cross-entropy loss
`generalizedDice`	Generalized Sørensen-Dice similarity coefficient for image segmentation

훈련 데이터 불러오기

`combine`	여러 데이터저장소의 데이터 결합
`countEachLabel`	Count occurrence of pixel or box labels
`groundTruth`	Ground truth label data
`imageDatastore`	이미지 데이터의 데이터저장소
`pixelLabelDatastore`	Datastore for pixel label data
`pixelLabelTrainingData`	Create training data for semantic segmentation from ground truth

훈련 데이터 증강 및 전처리

`balancePixelLabels`	Balance pixel labels by oversampling block locations in large images
`imwarp`	영상에 기하 변환 적용
`imcrop`	영상 자르기
`imresize`	이미지 크기 조정
`transform`	데이터저장소 변환
`randomAffine2d`	Create randomized 2-D affine transformation
`randomWindow2d`	Randomly select rectangular region in image
`centerCropWindow2d`	사각 형태의 가운데 자르기 윈도우 만들기

의미론적 분할 결과 평가

`evaluateSemanticSegmentation`	Evaluate semantic segmentation data set against ground truth
`bfscore`	Contour matching score for image segmentation
`dice`	영상 분할을 위한 Sørensen-Dice 유사성 계수
`jaccard`	영상 분할을 위한 자카드 유사성 계수
`segmentationConfusionMatrix`	Confusion matrix of multi-class pixel-level image segmentation
`semanticSegmentationMetrics`	Semantic segmentation quality metrics

분할 시각화

`labeloverlay`	2차원 영상에 레이블 행렬 영역 겹치기
`volshow`	Display volume
`insertObjectMask`	Insert masks in image or video stream

도움말 항목

시작하기

딥러닝을 사용한 의미론적 분할 시작하기
딥러닝을 사용하여 클래스를 기준으로 객체를 분할합니다.
Choose Function to Visualize Detected Objects
Compare visualization functions.

의미론적 분할을 위한 Ground Truth 만들기

Label Pixels for Semantic Segmentation
Label pixels for training a semantic segmentation network by using a labeling app.
How Labeler Apps Store Exported Pixel Labels
Learn how the labeling apps store pixel label data.

의미론적 분할을 위한 훈련 데이터 준비하기

Training Data for Object Detection and Semantic Segmentation
Create training data for object detection or semantic segmentation using the Image Labeler or Video Labeler.
Datastores for Deep Learning (Deep Learning Toolbox)
Learn how to use datastores in deep learning applications.
Get Started with Image Preprocessing and Augmentation for Deep Learning
Preprocess data for deep learning applications with deterministic operations such as resizing, or augment training data with randomized operations such as random cropping.