마스크 시각화
이미지의 감지된 객체 위에 마스크를 적용합니다.
인스턴스 세분화 예측에서 감지된 객체의 형태를 정확히 따르는 단색 채우기를 만들어, 세분화 마스크를 반투명 색상 오버레이로 채웁니다.
이 블록의 작동 방식
이 블록은 이미지를 입력받아 인스턴스 세분화 예측(마스크 포함)을 받아 마스크 영역을 색상 오버레이로 채웁니다. 이 블록은:
이미지와 인스턴스 세분화 예측(마스크 포함)을 입력으로 받음
예측에서 감지된 각 객체의 세분화 마스크를 추출함
선택한 색상 팔레트에 따라 각 마스크에 색상 스타일을 적용하며, 색상은 클래스, 인덱스 또는 추적 ID에 따라 할당됨
Supervision의 MaskAnnotator를 사용하여 마스크 영역을 단색으로 채움
지정된 불투명도 수준을 사용하여 색상 마스크 오버레이를 원본 이미지와 혼합함
마스크 영역이 반투명 색상으로 채워지고, 마스크가 없는 영역은 변경되지 않은 주석이 달린 이미지를 반환함
이 블록은 각 객체의 세분화 마스크의 정확한 형태를 색상 오버레이로 채워, 객체 경계를 정확히 따르는 단색 채우기를 만듭니다. 윤곽선을 그리는 다각형 시각화나 직사각형 영역을 사용하는 바운딩 박스 시각화와 달리, 마스크 시각화는 마스크 전체 영역을 색으로 채워 세분화된 영역을 명확하게 시각적으로 보여줍니다. 불투명도 매개변수는 마스크 오버레이의 투명도를 제어하여, 낮은 값(예: 0.3-0.5)에서는 원본 이미지의 세부 사항이 색상 마스크를 통해 보이게 하고, 높은 값(예: 0.7-1.0)에서는 배경 세부 사항을 더 잘 가리는 더 불투명한 채우기를 만듭니다. 이 블록은 마스크 데이터를 포함한 인스턴스 세분화 예측이 필요하며, 세분화 마스크를 사용해 정확하게 형태를 따라가는 색상 채우기를 생성합니다.
일반적인 사용 사례
인스턴스 세분화 시각화: 마스크 영역을 색으로 채워 인스턴스 세분화 결과를 시각화하여, 분할된 객체를 명확히 보여주고, 세분화 품질을 검증하거나 분석 워크플로에서 감지된 영역을 강조함
정밀한 형태 추종 오버레이: 의료 영상, 품질 관리 또는 정밀한 객체 식별처럼 정확한 영역 시각화가 필요한 응용 분야에 유용하게, 분할된 형태와 정확히 일치하는 색상으로 객체를 채움
마스크 기반 객체 강조: 정확한 객체 경계를 따르는 색상 오버레이로 분할된 객체를 강조하여, 서로 다른 객체나 객체 클래스 간의 시각적 구분을 명확하게 제공함
세분화 모델 검증: 색상 마스크 채우기로 세분화 예측을 시각화하여 모델 성능을 확인하고, 세분화 오류를 식별하거나 모델 개발 및 디버깅 워크플로에서 마스크 정확도를 검증함
의료 및 과학 영상: 색상 마스크 오버레이가 조직 경계, 세포 영역 또는 측정 영역을 시각화하는 데 도움이 되는 의료 영상, 현미경 또는 과학 분석 응용 분야에서 분할된 영역을 표시함
마스크 품질 검사: 색상 마스크 채우기를 사용해 세분화 품질을 검사하고, 마스크 경계를 확인하거나, 학습 데이터 또는 모델 출력에서 세분화 개선이 필요한 영역을 식별함
다른 블록과 연결하기
이 블록의 주석이 달린 이미지는 다음에 연결할 수 있습니다:
다른 시각화 블록 (예: 레이블 시각화, 다각형 시각화, 바운딩 박스 시각화)와 함께 마스크 채우기를 추가 주석(레이블, 윤곽선)과 결합하여 포괄적인 시각화를 위해
데이터 저장 블록 (예: Local File Sink, CSV Formatter, Roboflow Dataset Upload)와 함께 마스크 오버레이가 적용된 이미지를 문서화, 보고 또는 분석을 위해 저장
웹훅 블록 마스크 채우기가 적용된 시각화 결과를 대시보드나 모니터링 도구에 표시하기 위해 외부 시스템, API 또는 웹 애플리케이션으로 전송
알림 블록 (예: Email Notification, Slack Notification)와 함께 마스크 오버레이가 적용된 주석 이미지를 알림이나 보고서의 시각적 증거로 전송
비디오 출력 블록 실시간 모니터링, 세분화 시각화 또는 후처리 분석을 위해 마스크 채우기가 적용된 주석 비디오 스트림 또는 녹화를 생성
유형 식별자
step에서 다음 식별자를 사용하세요 "type" 필드: roboflow_core/mask_visualization@v1 를 워크플로에 단계로 추가합니다.
속성
이름
유형
설명
참조
name
str
이 단계에 고유 식별자를 입력하세요..
❌
copy_image
bool
이 옵션을 활성화하면 시각화를 위해 입력 이미지의 복사본을 만들어 원본을 보존합니다. 여러 시각화를 겹쳐 사용할 때 이 옵션을 사용하세요..
✅
color_palette
str
시각화 요소에 사용할 색상 팔레트를 선택하세요..
✅
palette_size
int
팔레트의 색상 개수를 지정하세요. 이는 사용자 지정 또는 Matplotlib 팔레트를 사용할 때 적용됩니다..
✅
custom_colors
List[str]
경계 상자에 사용할 사용자 지정 색상 목록을 HEX 형식으로 정의하세요..
✅
color_axis
str
경계 상자 색상이 할당되는 방식을 선택하세요..
✅
불투명도
실수
마스크 오버레이의 불투명도는 0.0(완전 투명)에서 1.0(완전 불투명)까지입니다. 색상 마스크 채우기의 투명도를 제어합니다. 낮은 값(예: 0.3-0.5)은 원본 이미지의 세부 사항이 비쳐 보이는 반투명 오버레이를 만들고, 높은 값(예: 0.7-1.0)은 배경 세부 사항을 더 잘 가리는 더 불투명한 채우기를 만듭니다. 일반적으로 마스크와 아래 이미지가 모두 보이는 균형 잡힌 시각화를 위해 0.4~0.7 정도를 사용합니다..
✅
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 마스크 시각화 버전 v1 가 있습니다.
입력 및 출력 바인딩
입력
image(image): 시각화에 사용할 이미지입니다..copy_image(boolean): 이 옵션을 활성화하면 시각화를 위해 입력 이미지의 복사본을 만들어 원본을 보존합니다. 여러 시각화를 겹쳐 사용할 때 이 옵션을 사용하세요..predictions(Union[instance_segmentation_prediction,rle_instance_segmentation_prediction,semantic_segmentation_prediction]): 감지된 객체의 마스크를 포함하는 세분화 예측입니다. 이 블록은 세분화 마스크를 사용하여 객체 또는 클래스 경계를 정확히 따르는 색상 채우기를 만듭니다. 마스크 데이터가 포함된 세분화 모델 출력이 필요하며, 이는 RLE로 인코딩되어 있을 수 있습니다..color_palette(문자열): 시각화 요소에 사용할 색상 팔레트를 선택하세요..palette_size(정수): 팔레트의 색상 개수를 지정하세요. 이는 사용자 지정 또는 Matplotlib 팔레트를 사용할 때 적용됩니다..custom_colors(list_of_values): 경계 상자에 사용할 사용자 지정 색상 목록을 HEX 형식으로 정의하세요..color_axis(문자열): 경계 상자 색상이 할당되는 방식을 선택하세요..불투명도(float_zero_to_one): 마스크 오버레이의 불투명도는 0.0(완전 투명)에서 1.0(완전 불투명)까지입니다. 색상 마스크 채우기의 투명도를 제어합니다. 낮은 값(예: 0.3-0.5)은 원본 이미지의 세부 사항이 비쳐 보이는 반투명 오버레이를 만들고, 높은 값(예: 0.7-1.0)은 배경 세부 사항을 더 잘 가리는 더 불투명한 채우기를 만듭니다. 일반적으로 마스크와 아래 이미지가 모두 보이는 균형 잡힌 시각화를 위해 0.4~0.7 정도를 사용합니다..
출력
image(image): 워크플로의 이미지.
마지막 업데이트
도움이 되었나요?