인간 분할(Human Segmentation)(humanSegmentation)

Human Segmentation 노드는 사전 학습된 모델 선택을 사용하여 입력 이미지에 대해 의미론적 인간 분할(semantic human segmentation)을 수행합니다. 분할 결과 이미지, 선택된 부위/구성 요소를 포함하는 마스크, 그리고 감지된 영역 주변의 바운딩 박스를 생성합니다.

입력

image

분할할 입력 이미지입니다.

method

사용할 분할 모델입니다. 사용 가능한 방법:

• selfie_multiclass_256x256
• human_parsing_lip
• human_parts (deeplabv3p)
• segformer_b3_clothes
• segformer_b3_fashion
• face_parsing

각 방법에는 고유한 레이블 세트가 있으며, 사용 가능한 mask_components는 선택된 방법에 따라 채워집니다.

confidence

분할 예측에 대한 최소 신뢰도 임계값입니다. 기본값: 0.4
범위: 0.05 – 0.95
단계: 0.01

값이 낮을수록 마스크에 불확실한 영역이 더 많이 포함되고, 값이 높을수록 낮은 신뢰도의 예측이 억제되어 더 타이트하고 깔끔한 마스크가 생성됩니다.

crop_multi

감지된 분할 영역 주변의 크롭 영역을 제어하는 데 사용되는 배율입니다. 기본값: 0
범위: 0 – 10
단계: 0.001

0은 크롭을 마스크/바운딩 박스에 밀착시킵니다. 값이 높을수록 피사체 주변의 크롭 영역이 확장됩니다.

mask_components

마스크와 결과 이미지에 포함할 분할 구성 요소/클래스를 다중 선택하는 목록입니다. 여러 구성 요소를 선택할 수 있으며, 해당 영역은 출력 마스크로 결합됩니다.

사용 가능한 옵션은 선택된 method에 따라 달라집니다. 각 모델이 서로 다른 의미론적 클래스를 제공하기 때문입니다.

출력

IMAGE 출력

분할 결과 이미지입니다. mask_components, confidence, crop_multi를 적용한 후 선택된 분할의 시각적 출력입니다.

MASK

신뢰도 임계값이 적용된 후 선택된 mask_components에서 생성된 마스크입니다. 출력 이미지와 공간적으로 일치합니다.

BBOX

선택된 분할 구성 요소 주변의 바운딩 박스로, 이미지 좌표로 표시됩니다. 추가 크롭, 조건화 또는 영역 기반 처리에 사용할 수 있습니다.

사용 참고 사항

• 필요한 분할 유형에 맞는 method를 선택하세요. 예를 들어, 의류 중심 방법은 패션 관련 마스크에 유용하며, face_parsing은 얼굴 영역에 적합합니다.
• 타이트한 피사체 크롭을 원하면 crop_multi를 0으로 두고, 결과 이미지에 더 많은 주변 컨텍스트를 포함하려면 값을 높이세요.
• mask_components는 다중 선택 항목이므로 여러 신체 부위나 객체 클래스를 단일 마스크로 결합할 수 있습니다.
• 선택된 방법의 모델 가중치는 첫 사용 시 다운로드될 수 있으므로, 첫 번째 실행은 이후 실행보다 오래 걸릴 수 있습니다.