​

CV 태스크 총정리

​

학습 목표

• 컴퓨터 비전의 3대 핵심 태스크(분류, 탐지, 세그멘테이션)를 구분할 수 있다
• 각 태스크의 입력, 출력, 평가 지표를 설명할 수 있다
• 프로젝트 요구사항에 따라 적합한 태스크를 선택할 수 있다
• 응용 태스크(포즈 추정, OCR, 깊이 추정 등)의 개요를 파악할 수 있다

​

왜 중요한가

​

3대 핵심 태스크

​

이미지 분류 (Image Classification)

• 입력: 이미지 1장
• 출력: 클래스 레이블 + 확률값
• 예시: 고양이/강아지 구분, 제품 양품/불량 판정
• 대표 모델: ResNet, EfficientNet, ViT
• 평가 지표: Accuracy, F1-Score, Confusion Matrix

# 분류 모델 추론 예시
import timm
import torch

model = timm.create_model('resnet50', pretrained=True, num_classes=2)
model.eval()

# 이미지 전처리 후 추론
with torch.no_grad():
    output = model(image_tensor)  # [1, 2] 형태
    pred = torch.argmax(output, dim=1)  # 0 또는 1

​

객체 탐지 (Object Detection)

• 입력: 이미지 1장
• 출력: 바운딩 박스 좌표 (x, y, w, h) + 클래스 + 신뢰도
• 예시: 보행자 탐지, 안전장비 착용 여부, 차량 번호판 위치
• 대표 모델: YOLO 시리즈, Faster R-CNN, DETR
• 평가 지표: mAP@50, mAP@50:95, IoU

# YOLO 탐지 추론 예시
from ultralytics import YOLO

model = YOLO('yolo11n.pt')
results = model('image.jpg')

for box in results[0].boxes:
    cls = int(box.cls)        # 클래스 인덱스
    conf = float(box.conf)    # 신뢰도
    xyxy = box.xyxy[0]        # 바운딩 박스 좌표

​

세그멘테이션 (Segmentation)

• 입력: 이미지 1장
• 출력: 픽셀별 클래스 맵 (이미지와 동일 크기)
• 예시: 의료 영상 병변 영역, 자율주행 도로/인도 구분
• 대표 모델: UNet, DeepLabV3+, Mask R-CNN, SAM
• 평가 지표: mIoU, Dice Score, Pixel Accuracy

# Semantic Segmentation 추론 예시
import segmentation_models_pytorch as smp

model = smp.Unet(
    encoder_name='resnet34',
    encoder_weights='imagenet',
    classes=3,  # 클래스 수
)
model.eval()

with torch.no_grad():
    mask = model(image_tensor)  # [1, 3, H, W] 형태
    pred = torch.argmax(mask, dim=1)  # [1, H, W] 픽셀별 클래스

​

태스크 비교표

​

세그멘테이션 세부 유형

​

응용 태스크 개요

​

태스크 선택 가이드

​

실무 의사결정 예시

​

태스크별 데이터 어노테이션

​

체크리스트

• 분류, 탐지, 세그멘테이션의 입출력 차이를 설명할 수 있다
• 각 태스크의 대표 평가 지표를 안다
• Semantic, Instance, Panoptic 세그멘테이션의 차이를 이해했다
• 프로젝트 요구사항에 따라 적합한 태스크를 선택할 수 있다
• 응용 태스크(포즈, OCR, 깊이 추정 등)의 존재를 인지했다
• 태스크별 어노테이션 비용 차이를 이해했다

​

다음 문서