동적 자르기
감지 모델의 바운딩 박스를 사용해 이미지를 자릅니다.
검출 모델 예측의 바운딩 박스를 기반으로 입력 이미지에서 잘린 이미지 영역을 추출하며, 선택적으로 분할 마스크를 사용한 배경 제거를 통해 객체 탐지, 인스턴스 분할 및 키포인트 탐지 모델을 지원하여 집중된 영역 추출과 다단계 분석 워크플로우를 가능하게 합니다.
이 블록의 작동 방식
이 블록은 검출 모델 출력의 바운딩 박스를 사용해 입력 이미지에서 직사각형 영역을 잘라내며, 검출된 각 객체에 대해 개별 잘린 이미지를 생성합니다. 이 블록은:
바운딩 박스를 포함한 입력 이미지와 검출 예측 결과(객체 탐지, 인스턴스 분할 또는 키포인트 탐지)를 받습니다
예측 결과에 잘라내기 추적에 필요한 검출 ID가 포함되어 있는지 검증합니다
예측에서 각 바운딩 박스를 추출하고 입력 이미지에서 해당 직사각형 영역을 잘라냅니다
인스턴스 분할 예측의 경우
mask_opacity > 0: 분할 마스크를 오버레이하여 배경을 제거하고, 검출된 인스턴스 바깥의 배경 픽셀을 지정된 값으로 대체합니다background_color그리고 마스크 불투명도에 따라 원본 잘린 이미지와 혼합합니다잘라낸 이미지의 원본(원본 이미지, 오프셋 좌표, 검출 ID)을 추적하는 메타데이터가 포함된 잘린 이미지 객체를 생성합니다
예측 좌표를 원본 이미지 공간에서 잘린 영역 공간으로 변환합니다(바운딩 박스, 마스크, 키포인트, 폴리곤을 잘라낸 이미지의 원점에 상대적으로 조정합니다)
각 검출에 대한 결과 목록을 반환하며, 각 항목에는 잘린 이미지와 변환된 예측 결과가 포함됩니다
이 블록은 각 검출의 바운딩 박스를 독립적으로 처리하여 검출된 각 객체마다 별도의 잘린 이미지를 생성합니다. 인스턴스 분할 예측의 경우 선택적 배경 제거 기능이 분할 마스크를 사용해 배경 픽셀에서 검출된 객체를 분리하며, 깨끗한 객체 중심의 잘린 이미지를 만드는 데 유용합니다. 모든 예측 좌표(바운딩 박스, 키포인트, 폴리곤, 마스크 좌표)는 자동으로 잘린 영역의 좌상단 모서리를 기준으로 변환되어, 이후 블록이 잘린 이미지를 올바르게 처리할 수 있도록 합니다. 이 블록은 출력 차원을 하나 증가시켜(입력 이미지당 잘린 이미지 목록을 생성) 각 잘린 이미지를 독립적으로 처리할 수 있는 배치 처리 워크플로우를 가능하게 합니다.
일반적인 사용 사례
다단계 객체 분석: 전체 이미지에서 개별 객체 잘린 이미지를 추출해 상세 분석을 수행합니다(예: 장면에서 객체를 검출하고, 각 검출 객체를 잘라낸 뒤, 개별 잘린 이미지에 OCR이나 분류를 실행), 전체 이미지를 처리하지 않고도 특정 영역을 집중적으로 분석할 수 있게 합니다
객체 중심을 위한 배경 제거: 분할 마스크를 사용해 배경이 제거된 깨끗한 객체 잘린 이미지를 생성합니다(예: 객체를 검출 및 분할하고, 배경 제거와 함께 잘라낸 뒤, 학습이나 분석을 위한 분리된 객체 이미지를 생성), 객체 추출을 집중적으로 수행하고 이후 처리 과정을 더 깔끔하게 만들 수 있게 합니다
영역 기반 처리 पाइ프라인: 특수 처리를 위한 관심 영역을 추출합니다(예: 텍스트 영역을 검출하고, 각 텍스트 영역을 잘라낸 뒤, 잘린 이미지에 OCR을 실행; 얼굴을 검출하고, 각 얼굴을 잘라낸 뒤, 얼굴 인식을 실행), 특정 이미지 영역을 효율적으로 처리할 수 있게 합니다
키포인트 및 주석 보존: 검출 주석을 보존하면서 객체 잘린 이미지를 추출합니다(예: 키포인트가 있는 객체를 검출하고, 키포인트 좌표를 유지한 채 객체를 잘라낸 뒤, 잘린 문맥에서 키포인트를 분석), 전체 주석 문맥을 유지한 채 집중적인 분석을 가능하게 합니다
배치 영역 추출: 단일 이미지에서 여러 영역을 추출해 병렬 처리를 수행합니다(예: 이미지의 모든 객체를 검출하고, 각 객체를 별도로 잘라낸 뒤, 분류나 분석을 위해 잘린 이미지들을 병렬로 처리), 여러 영역을 효율적으로 배치 처리할 수 있게 합니다
학습 데이터 준비: 주석이 달린 이미지에서 잘린 객체 데이터셋을 생성합니다(예: 바운딩 박스가 있는 객체를 검출하고, 각 객체를 개별적으로 잘라낸 뒤, 학습 데이터 수집을 위해 잘린 이미지를 내보냄), 전체 이미지에서 학습 샘플을 자동으로 추출할 수 있게 합니다
다른 블록과 연결하기
이 블록은 이미지와 검출 예측 결과를 받아 잘린 이미지를 생성합니다:
검출 블록 뒤에 (예: 객체 탐지, 인스턴스 분할, 키포인트 탐지)에서 검출된 바운딩 박스를 기반으로 개별 객체 영역을 추출하여 검출된 객체를 분리된 상태로 집중 분석할 수 있게 합니다
분류 또는 분석 블록 앞에 객체 중심 입력이 필요한 블록(예: 텍스트 영역에 대한 OCR, 잘린 객체에 대한 세밀한 분류, 상세한 특징 추출) 앞에 사용하여 전체 이미지가 아닌 개별 영역을 특수 처리할 수 있게 합니다
다단계 검출 워크플로우에서 초기 검출 결과를 사용해 2차 분석을 위한 영역을 추출하는 경우(예: 차량을 검출하고, 각 차량을 잘라낸 뒤, 잘린 이미지에서 번호판을 검출), 계층적 검출 및 분석 पाइ프라인을 가능하게 합니다
시각화 블록 앞에 개별 객체를 표시하는 경우(예: 잘린 객체를 별도로 표시, 검출된 객체 갤러리 생성, 분리된 객체 주석 표시), 추출된 영역을 집중적으로 시각화할 수 있게 합니다
인스턴스 분할이 있는 검출 블록 뒤에 배경 제거가 적용된 깨끗한 객체 잘린 이미지를 만들어 분석, 학습 또는 प्रस्तुतीकरण을 위한 분리된 객체 이미지를 가능하게 합니다
키포인트 검출 워크플로우에서 잘린 문맥에서 키포인트 좌표를 보존해야 하는 경우(예: 키포인트가 있는 사람을 검출하고, 각 사람을 잘라낸 뒤, 잘린 이미지에서 자세를 분석), 집중된 이미지 영역에서 키포인트 분석을 가능하게 합니다
유형 식별자
step에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/dynamic_crop@v1 를 워크플로에 단계로 추가합니다.
속성
이름
유형
설명
참조
name
str
이 단계에 고유 식별자를 입력하세요..
❌
mask_opacity
실수
인스턴스 분할 잘린 이미지에서 배경을 제거할 때 사용하는 배경 제거 불투명도(0.0~1.0)입니다. 예측 결과에 분할 마스크가 포함된 경우에만 적용됩니다(인스턴스 분할 예측). 검출된 인스턴스 바깥의 배경 픽셀을 얼마나 강하게 제거할지 제어합니다: 0.0은 잘린 이미지를 변경하지 않으며(배경 제거 없음), 1.0은 배경을 background_color로 완전히 대체하고, 그 사이 값은 원본 잘린 이미지와 배경을 혼합합니다. 값이 높을수록 더 깨끗한 객체 중심의 잘린 이미지가 생성됩니다. 배경 제거를 비활성화하려면 0.0으로 설정하세요. 마스크가 있는 인스턴스 분할 예측이 필요합니다..
✅
background_color
Union[Tuple[int, int, int], str]
인스턴스 분할 잘린 이미지에서 배경을 제거할 때 사용할 배경 색상입니다. mask_opacity > 0이고 예측 결과에 분할 마스크가 포함된 경우에만 적용됩니다. 검출된 인스턴스 마스크 바깥의 배경 픽셀은 이 색상으로 대체됩니다. 다음 형식으로 지정할 수 있습니다: 16진수 문자열(예: '#431112' 또는 '#fff'), 괄호 안의 RGB 문자열(예: '(128, 32, 64)'), 또는 RGB 튜플(예: (18, 17, 67)). 기본값은 검정(0, 0, 0)입니다. 흰색 배경의 경우 흰색(255, 255, 255) 또는 '#ffffff'를 사용하거나, 사용 사례의 배경 요구사항에 맞게 설정하세요. 색상 값은 RGB로 해석되어 이미지 처리를 위해 BGR로 변환됩니다..
✅
해당 참조 열은 워크플로 런타임에서 사용할 수 있는 동적 값으로 속성을 매개변수화할 수 있음을 나타냅니다. 자세한 내용은 워크플로 런타임. 자세한 내용은 바인딩 를 참조하세요.
입력 및 출력 바인딩
사용 가능한 연결은 바인딩 종류에 따라 달라집니다. 어떤 바인딩 종류가 있는지 확인하세요 동적 크롭 버전 v1 가 있습니다.
입력 및 출력 바인딩
입력
이미지들(image): 잘린 영역을 추출할 입력 이미지입니다. 단일 이미지이거나 이미지 배치일 수 있습니다. 각 이미지는 대응하는 검출 예측 결과와 함께 처리되어 바운딩 박스 영역을 추출합니다. 잘린 영역은 예측의 바운딩 박스를 기준으로 추출됩니다. 중첩 잘라내기 워크플로우를 위해 다른 Dynamic Crop 단계에서 이미 잘린 이미지를 입력으로 받을 수도 있습니다..predictions(Union[instance_segmentation_prediction,keypoint_detection_prediction,object_detection_prediction]): 이미지에서 잘라낼 영역을 정의하는 바운딩 박스를 포함한 검출 모델 예측 결과입니다. 객체 탐지(바운딩 박스), 인스턴스 분할(분할 마스크가 있는 바운딩 박스), 또는 키포인트 탐지(키포인트가 있는 바운딩 박스) 예측을 지원합니다. 예측의 각 바운딩 박스는 추출할 직사각형 영역을 정의합니다. 예측에는 잘라내기 추적을 위한 검출 ID가 포함되어야 합니다. 이미지당 여러 개의 검출이 있으면 이미지당 여러 개의 잘린 이미지가 생성됩니다..mask_opacity(float_zero_to_one): 인스턴스 분할 잘린 이미지에서 배경을 제거할 때 사용하는 배경 제거 불투명도(0.0~1.0)입니다. 예측 결과에 분할 마스크가 포함된 경우에만 적용됩니다(인스턴스 분할 예측). 검출된 인스턴스 바깥의 배경 픽셀을 얼마나 강하게 제거할지 제어합니다: 0.0은 잘린 이미지를 변경하지 않으며(배경 제거 없음), 1.0은 배경을 background_color로 완전히 대체하고, 그 사이 값은 원본 잘린 이미지와 배경을 혼합합니다. 값이 높을수록 더 깨끗한 객체 중심의 잘린 이미지가 생성됩니다. 배경 제거를 비활성화하려면 0.0으로 설정하세요. 마스크가 있는 인스턴스 분할 예측이 필요합니다..background_color(Union[rgb_color,문자열]): 인스턴스 분할 잘린 이미지에서 배경을 제거할 때 사용할 배경 색상입니다. mask_opacity > 0이고 예측 결과에 분할 마스크가 포함된 경우에만 적용됩니다. 검출된 인스턴스 마스크 바깥의 배경 픽셀은 이 색상으로 대체됩니다. 다음 형식으로 지정할 수 있습니다: 16진수 문자열(예: '#431112' 또는 '#fff'), 괄호 안의 RGB 문자열(예: '(128, 32, 64)'), 또는 RGB 튜플(예: (18, 17, 67)). 기본값은 검정(0, 0, 0)입니다. 흰색 배경의 경우 흰색(255, 255, 255) 또는 '#ffffff'를 사용하거나, 사용 사례의 배경 요구사항에 맞게 설정하세요. 색상 값은 RGB로 해석되어 이미지 처리를 위해 BGR로 변환됩니다..
출력
crops(image): 워크플로의 이미지.predictions(Union[object_detection_prediction,instance_segmentation_prediction,keypoint_detection_prediction]): 탐지된 경계 상자를 sv.Detections(...) 객체 형태로 반환하는 예측, 만약object_detection_prediction또는 탐지된 경계 상자와 세분화 마스크를 sv.Detections(...) 객체 형태로 반환하는 예측, 만약instance_segmentation_prediction또는 탐지된 바운딩 박스와 탐지된 키포인트가 sv.Detections(...) 객체 형태로 포함된 예측인 경우keypoint_detection_prediction.
마지막 업데이트
도움이 되었나요?