Segmentation 데이터다루기 - 공유에서 직접 따라간 구현 흐름과 코드 증거를 다시 볼 수 있게 정리한 DL 학습 기록입니다. 본문은 PennFudanPed, VOC2012 다루기, COCO 순서로 핵심 장면을 먼저 훑고, 데이터셋과 데이터로더, 시각화, Instance Segmentation… 같은 코드로 실제 구현을 이어서 확인할 수 있습니다. md 원본과 76개 코드 블록, 52개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 os, json, torch, numpy입니다.

빠르게 볼 수 있는 포인트: PennFudanPed, VOC2012 다루기, COCO.

남겨둔 자료: md 원본과 76개 코드 블록, 52개 실행 셀을 함께 남겨 구현 흐름을 다시 따라갈 수 있게 정리했습니다. 주요 스택은 os, json, torch, numpy입니다.

주요 스택: os, json, torch, numpy, PIL

Snapshot

Item Value
Track DL
Type Shared Note
Source Files md
Code Blocks 76
Execution Cells 52
Libraries os, json, torch, numpy, PIL, torchvision, matplotlib, xml
Source Note Segmentation_데이터다루기 - 공유

What This Note Covers

PennFudanPed

PennFudanPed 데이터셋은 보행자 탐지 및 segmentation(분할) 작업을 위한 데이터셋입니다. 도심 환경 등 다양한 배경에서 촬영된 이미지들이 포함되어 있으며, 각 이미지에 대해 보행자 영역을 나타내는 마스크(ground truth)가 제공됩니다.

  • 읽을 포인트: PennFudanPed 아래 코드와 함께 읽으면 구현 포인트가 더 또렷해지는 구간입니다.

VOC2012 다루기

이미지와 마스크, Annotation, 데이터셋과 데이터로더 같은 코드를 직접 따라가며 VOC2012 다루기 흐름을 확인했습니다.

  • 읽을 포인트: 세부 흐름: 이미지와 마스크, Annotation, 데이터셋과 데이터로더

이미지와 마스크

VOC2012 다루기 > 이미지와 마스크 아래 코드와 함께 읽으면 구현 포인트가 더 또렷해지는 구간입니다.

Annotation

xml.etree.ElementTree는 Python 내장 XML 처리 라이브러리로, XML 파일을 파싱하고, 트리 형태로 데이터를 탐색하며 필요한 정보를 추출할 수 있도록 도와줍니다. 대략적인 사용 방법은 다음과 같습니다. XML 파싱: - ET.parse(‘파일경로.xml’)를…

데이터셋과 데이터로더

VOC2012 다루기 > 데이터셋과 데이터로더 아래 코드와 함께 읽으면 구현 포인트가 더 또렷해지는 구간입니다.

COCO

Annotation의 유형, COCO API를 활용하기 위해 a…, 마스크 생성하기 > cocotool… 같은 코드를 직접 따라가며 COCO 흐름을 확인했습니다.

  • 읽을 포인트: 세부 흐름: Annotation의 유형, COCO API를 활용하기 위해 annotaion 파일을 COCO 객체로 로드하기 > Instance Segmentation 시각화 - COCO API 활용한 시각화, 마스크 생성하기 > cocotools : coco.annToMask()

Annotation의 유형

바운딩 박스 (Bounding Box): - 객체의 위치와 크기를 나타내는 사각형 정보 Instance Segmentation: - 객체의 경계를 보다 세밀하게 표현하기 위해 polygon(다각형) 또는 마스크 형태의 정보 제공

COCO API를 활용하기 위해 annotaion 파일을 COCO 객체로 로드하기 > Instance Segmentation 시각화 - COCO API 활용한 시각화

getAnnIds()로 특정 image에 해당하는 annotation id를 가져온 후에 이 id를 loadAnns()로 입력하여 해당 이미지의 모든 annotation 정보를 가져옴. - segmentation 정보는 polygon 형태로 되어 있음. - annotation 정보…

마스크 생성하기 > cocotools : coco.annToMask()

이 코드는 COCO API에서 제공하는 annToMask() 함수를 사용하여, 주어진 annotation의 polygon 정보를 이진 마스크(binary mask) 형태로 변환하는 과정을 보여줍니다. annToMask()를 사용하여 annotation의 polygon 정보를 이진…

Why This Matters

데이터 파이프라인

  • 왜 필요한가: 모델 성능 이전에 입력이 일정한 형식으로 잘 들어가야 학습과 평가가 안정적으로 반복됩니다.
  • 왜 이 방식을 쓰는가: Dataset/DataLoader 구조는 데이터 읽기, 변환, 배치 처리를 분리해 코드 재사용성과 실험 반복성을 높여줍니다.
  • 원리: 각 샘플을 Dataset이 제공하고, DataLoader가 이를 배치로 묶어 셔플·병렬 로딩·collate를 담당합니다.

픽셀 단위 분할

  • 왜 필요한가: 객체의 경계를 세밀하게 다뤄야 할 때는 이미지 전체를 한 번에 분류하는 방식만으로는 부족합니다.
  • 왜 이 방식을 쓰는가: Segmentation은 픽셀마다 클래스를 붙여주기 때문에 의료영상, 장면 이해, 배경 제거처럼 경계가 중요한 문제에 잘 맞습니다.
  • 원리: 이미지 특징을 추출한 뒤 해상도를 복원하면서 각 픽셀 위치에 대한 클래스 확률을 예측합니다.

Implementation Flow

  1. PennFudanPed: PennFudanPed 데이터셋은 보행자 탐지 및 segmentation(분할) 작업을 위한 데이터셋입니다. 도심 환경 등 다양한 배경에서 촬영된 이미지들이 포함되어 있으며, 각 이미지에 대해 보행자 영역을 나타내는 마스크(ground t…
  2. VOC2012 다루기: 이미지와 마스크, Annotation
  3. COCO: Annotation의 유형, COCO API를 활용하기 위해 annotaion 파일을 COCO 객체로 로드하기 > Instance Segmentation 시각화 - COCO API 활용한 시각화

Code Highlights

데이터셋과 데이터로더

데이터셋과 데이터로더는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 Step 1: VOCSegmentation 데이터셋 로드 및 클래스 정보 설정하기, train이면 ‘train’, 아니면 ‘val’ 이미지를 선택합니다., torchvision의 VOCSegmentation 클래스를 사용하여 VOC 데이터셋을… 흐름이 주석과 함께 드러납니다.

import os
import json
import torch
import numpy as np
from PIL import Image
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms, datasets
import matplotlib.pyplot as plt

###############################################
# Step 1: VOCSegmentation 데이터셋 로드 및 클래스 정보 설정하기
###############################################
class SegmentationDataset(Dataset):
    def __init__(self, root, train=True, transform=None, target_transform=None, download=False):
        """
        VOCSegmentation 데이터셋을 로드하고, 이미지와 pixel-level segmentation mask를 반환하는 Dataset 클래스입니다.

        Args:
            root (str): 데이터셋이 저장될 루트 경로
            train (bool): True이면 training 데이터를, False이면 validation 데이터를 사용
            transform: 입력 이미지에 적용할 변환(예: 크기 조정, tensor 변환 등)
            target_transform: segmentation mask에 적용할 변환(보통 크기 조정 등, 클래스 값 보존을 위해 nearest interpolation 사용)
            download (bool): 데이터가 없으면 자동으로 다운로드할지 여부
        """
        # train이면 'train', 아니면 'val' 이미지를 선택합니다.
        image_set = 'train' if train else 'val'

        # torchvision의 VOCSegmentation 클래스를 사용하여 VOC 데이터셋을 불러옵니다.
# ... trimmed ...

시각화

시각화는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 Step 4: 시각화 함수 정의하기, 내부 함수: 마스크에 클래스별 색상을 입히는 함수, target: (1, H, W) 텐서를 squeeze하여 (H, W) 형태로 변경 흐름이 주석과 함께 드러납니다.

###############################################
# Step 4: 시각화 함수 정의하기
###############################################
def draw_mask(images, masks, outputs=None, plot_size=4):
    """
    학습 중 또는 결과 확인을 위해, 이미지와 segmentation mask를 시각화합니다.

    Args:
        images (Tensor): 배치 이미지 (shape: [B, C, H, W])
        masks (Tensor): 배치 마스크 (shape: [B, 1, H, W])
        outputs (Tensor, optional): 예측 마스크 (있을 경우)
        plot_size (int): 시각화할 배치의 수
    """
    # 내부 함수: 마스크에 클래스별 색상을 입히는 함수
    def color_mask(image, target):
        # target: (1, H, W) 텐서를 squeeze하여 (H, W) 형태로 변경
        m = target.squeeze().numpy().astype(np.uint8)
        # image와 같은 크기를 가지는 빈 컬러 이미지를 생성 (H, W, 3)
        cm = np.zeros_like(image, dtype=np.uint8)
        # 클래스 1~20에 대해 색상 적용 (background는 0으로 남음)
        for i in range(1, 21):
            cm[m == i] = train_dataset.categories.get(str(i), {"color": [0, 0, 0]})["color"]

        # 마스크에 포함된 클래스 번호를 이용해 클래스 이름 리스트 생성
        classes = [train_dataset.categories.get(str(idx), {"class": f"class_{idx}"})["class"] for idx in np.unique(m)]
        return cm, classes

    # 출력할 열 수: 예측 결과(outputs)가 있으면 3, 없으면 2
# ... trimmed ...

Instance Segmentation 시각화 - COCO API 활용한 시각화

Instance Segmentation 시각화 - COCO API 활용한 시각화는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 showAnns( )는 annotation 정보들을 입력 받아서 Visualization…, coco.showAnns(anns)는 불러온 annotation 정보(anns)를 기반으… 흐름이 주석과 함께 드러납니다.

# showAnns( )는 annotation 정보들을 입력 받아서 Visualization 시켜줌. 단 먼저 matplotlib 객체로 원본 이미지가 먼저 로드되어 있어야 함.
plt.figure(figsize=(12, 14))
plt.imshow(image_array)
plt.axis('off')

# coco.showAnns(anns)는 불러온 annotation 정보(anns)를 기반으로 segmentation 경계 등을 이미지 위에 그려줍니다.
coco.showAnns(anns)

cocotools 사용

cocotools 사용는 이 노트에서 핵심 구현을 보여주는 코드 블록입니다. 코드 안에서는 x,y 좌표값이 연이어 되어 있는 list형 polygon segmentation 정보를… 흐름이 주석과 함께 드러납니다.

 # x,y 좌표값이 연이어 되어 있는 list형 polygon segmentation 정보를 x,y 쌍 형태로 변환.
 polygon_x = [x for index, x in enumerate(ann_2_seg) if index % 2 == 0]
 polygon_y = [x for index, x in enumerate(ann_2_seg) if index % 2 == 1]
 print('polygon_x:', polygon_x)
 print('polygon_y:', polygon_y)
 polygon_xy = [[x, y] for x, y in zip(polygon_x, polygon_y)]
 print('polygon_xy:', polygon_xy)

Source Bundle

  • Source path: 12_Deep_Learning/Code_Snippets/Segmentation_데이터다루기 - 공유.md
  • Source formats: md
  • Companion files: Segmentation_데이터다루기 - 공유.md
  • Note type: code-note
  • Last updated in the source vault: 2026-03-08T03:33:14
  • Related notes: 12_Deep_Learning_Code_Summary.md
  • External references: docs.python.org, localhost, www.cis.upenn.edu, github.com, cocodataset.org

Note Preview

xml.etree.ElementTree는 Python 내장 XML 처리 라이브러리로, XML 파일을 파싱하고, 트리 형태로 데이터를 탐색하며 필요한 정보를 추출할 수 있도록 도와줍니다. 대략적인 사용 방법은 다음과 같습니다.

  1. XML 파싱: - ET.parse(‘파일경로.xml’)를 사용하여 XML 파일을 파싱하고, XML 트리 객체를 생성합니다. - tree.getroot()를 호출하여 트리의 최상위(root) 엘리먼트를 가져옵니다.