Zum Inhalt springen

Carparts Segmentation Datensatz

Open Carparts Segmentation Dataset In Colab

Der Carparts Segmentation Dataset, der auf Roboflow Universe verfügbar ist, ist eine kuratierte Sammlung von Bildern und Videos, die für Computer Vision-Anwendungen entwickelt wurde und sich speziell auf Segmentierungsaufgaben konzentriert. Dieser Datensatz wird auf Roboflow Universe gehostet und bietet eine vielfältige Auswahl an Visualisierungen, die aus verschiedenen Perspektiven aufgenommen wurden, und bietet wertvolle annotierte Beispiele für das Trainieren und Testen von Segmentierungsmodellen.

Ob Sie an automobiler Forschung arbeiten, KI-Lösungen für die Fahrzeugwartung entwickeln oder Computer-Vision-Anwendungen erforschen, das Carparts Segmentation Dataset dient als wertvolle Ressource zur Verbesserung der Genauigkeit und Effizienz Ihrer Projekte mit Modellen wie Ultralytics YOLO.



Ansehen: Autoteile Instanzsegmentierung mit Ultralytics YOLO11.

Dataset-Struktur

Die Datenverteilung innerhalb des Carparts Segmentation Datasets ist wie folgt organisiert:

  • Trainingsdatensatz: Umfasst 3156 Bilder, jedes begleitet von den entsprechenden Anmerkungen. Dieses Set wird für das Training des Deep-Learning-Modells verwendet.
  • Testdatensatz: Umfasst 276 Bilder, wobei jedes Bild mit seinen jeweiligen Anmerkungen gepaart ist. Dieser Satz wird verwendet, um die Leistung des Modells nach dem Training mit Testdaten zu bewerten.
  • Validierungsdatensatz: Besteht aus 401 Bildern, die jeweils entsprechende Anmerkungen enthalten. Dieser Satz wird während des Trainings verwendet, um Hyperparameter abzustimmen und Overfitting mithilfe von Validierungsdaten zu verhindern.

Anwendungen

Carparts Segmentation findet Anwendung in verschiedenen Bereichen, darunter:

  • Automobil-Qualitätskontrolle: Identifizierung von Defekten oder Inkonsistenzen in Autoteilen während der Fertigung (KI in der Fertigung).
  • Autoreparatur: Unterstützung von Mechanikern bei der Identifizierung von Teilen für Reparatur oder Austausch.
  • E-Commerce-Katalogisierung: Automatisches Taggen und Kategorisieren von Autoteilen in Online-Shops für E-Commerce-Plattformen.
  • Verkehrsüberwachung: Analyse von Fahrzeugkomponenten in Verkehrsüberwachungsaufnahmen.
  • Autonome Fahrzeuge: Verbesserung der Wahrnehmungssysteme von selbstfahrenden Autos, um umgebende Fahrzeuge besser zu verstehen.
  • Versicherungsbearbeitung: Automatisierung der Schadensbegutachtung durch Identifizierung betroffener Autoteile bei Versicherungsansprüchen.
  • Recycling: Sortieren von Fahrzeugkomponenten für effiziente Recyclingprozesse.
  • Smart-City-Initiativen: Bereitstellung von Daten für Stadtplanung und Verkehrsmanagementsysteme innerhalb von Smart Cities.

Durch die genaue Identifizierung und Kategorisierung verschiedener Fahrzeugkomponenten rationalisiert die Carparts-Segmentierung Prozesse und trägt zu mehr Effizienz und Automatisierung in diesen Branchen bei.

Datensatz-YAML

A YAML (Yet Another Markup Language) Datei definiert die Dataset-Konfiguration, einschließlich Pfade, Klassennamen und andere wesentliche Details. Für das Carparts Segmentation-Dataset ist die carparts-seg.yaml Datei ist verfügbar unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Sie können mehr über das YAML-Format erfahren unter yaml.org.

ultralytics/cfg/datasets/carparts-seg.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Carparts-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/carparts-seg/
# Example usage: yolo train data=carparts-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── carparts-seg ← downloads here (133 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: carparts-seg # dataset root dir
train: images/train # train images (relative to 'path') 3516 images
val: images/val # val images (relative to 'path') 276 images
test: images/test # test images (relative to 'path') 401 images

# Classes
names:
  0: back_bumper
  1: back_door
  2: back_glass
  3: back_left_door
  4: back_left_light
  5: back_light
  6: back_right_door
  7: back_right_light
  8: front_bumper
  9: front_door
  10: front_glass
  11: front_left_door
  12: front_left_light
  13: front_light
  14: front_right_door
  15: front_right_light
  16: hood
  17: left_mirror
  18: object
  19: right_mirror
  20: tailgate
  21: trunk
  22: wheel

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/carparts-seg.zip

Nutzung

Um ein Ultralytics YOLO11-Modell auf dem Carparts Segmentation-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die folgenden Code-Snippets. Eine umfassende Liste der verfügbaren Argumente finden Sie im Modell-Trainingsleitfaden, und Tipps zum Modelltraining für Best Practices.

Trainingsbeispiel

from ultralytics import YOLO

# Load a pretrained segmentation model like YOLO11n-seg
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model on the Carparts Segmentation dataset
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# After training, you can validate the model's performance on the validation set
results = model.val()

# Or perform prediction on new images or videos
results = model.predict("path/to/your/image.jpg")
# Start training from a pretrained *.pt model using the Command Line Interface
# Specify the dataset config file, model, number of epochs, and image size
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

# Validate the trained model using the validation set
# yolo segment val model=path/to/best.pt

# Predict using the trained model on a specific image source
# yolo segment predict model=path/to/best.pt source=path/to/your/image.jpg

Beispieldaten und Anmerkungen

Der Carparts Segmentation-Datensatz enthält eine vielfältige Auswahl an Bildern und Videos, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend sind Beispiele dargestellt, die die Daten und die entsprechenden Anmerkungen zeigen:

Beispielbild des Datensatzes

  • Das Bild demonstriert die Objektsegmentierung innerhalb eines Autobildbeispiels. Annotierte Bounding Boxes mit Masken heben die identifizierten Autoteile hervor (z. B. Scheinwerfer, Kühlergrill).
  • Der Datensatz umfasst eine Vielzahl von Bildern, die unter verschiedenen Bedingungen (Orte, Beleuchtung, Objektdichten) aufgenommen wurden, und bietet eine umfassende Ressource für das Training robuster Segmentierungsmodelle für Autoteile.
  • Dieses Beispiel unterstreicht die Komplexität des Datensatzes und die Bedeutung von hochwertigen Daten für Computer-Vision-Aufgaben, insbesondere in spezialisierten Bereichen wie der Analyse von Automobilkomponenten. Techniken wie Datenerweiterung können die Modellgeneralisierung weiter verbessern.

Zitate und Danksagungen

Wenn Sie den Carparts Segmentation-Datensatz in Ihren Forschungs- oder Entwicklungsbemühungen verwenden, zitieren Sie bitte die Originalquelle:

   @misc{ car-seg-un1pm_dataset,
        title = { car-seg Dataset },
        type = { Open Source Dataset },
        author = { Gianmarco Russo },
        url = { https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm },
        journal = { Roboflow Universe },
        publisher = { Roboflow },
        year = { 2023 },
        month = { nov },
        note = { visited on 2024-01-24 },
    }

Wir erkennen den Beitrag von Gianmarco Russo und dem Roboflow-Team bei der Erstellung und Pflege dieses wertvollen Datensatzes für die Computer-Vision-Community an. Weitere Datensätze finden Sie in der Ultralytics Datasets collection.

FAQ

Was ist der Carparts Segmentation Datensatz?

Der Carparts Segmentation Dataset ist eine spezielle Sammlung von Bildern und Videos zum Trainieren von Computer-Vision-Modellen, um eine Segmentierung von Autoteilen durchzuführen. Er enthält vielfältige Visualisierungen mit detaillierten Anmerkungen, die für automobile KI-Anwendungen geeignet sind.

Wie kann ich den Carparts Segmentation Dataset mit Ultralytics YOLO11 verwenden?

Sie können ein Ultralytics YOLO11 Segmentierungsmodell mit diesem Datensatz. Laden Sie ein vortrainiertes Modell (z. B. yolo11n-seg.pt) und starte das Training mit den bereitgestellten Python- oder CLI-Beispielen unter Bezugnahme auf die carparts-seg.yaml Konfigurationsdatei übergeben wird. Überprüfen Sie die Trainingsanleitung für detaillierte Anweisungen.

Beispiel-Snippet trainieren

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Was sind einige Anwendungsbereiche der Carparts-Segmentierung?

Carparts Segmentation ist nützlich in:

  • Automobil-Qualitätskontrolle: Sicherstellung, dass Teile die Standards erfüllen (KI in der Fertigung).
  • Autoreparatur: Identifizierung von wartungsbedürftigen Teilen.
  • E-Commerce: Katalogisierung von Teilen online.
  • Autonome Fahrzeuge: Verbesserung der Fahrzeugwahrnehmung (KI in der Automobilindustrie).
  • Versicherung: Automatische Beurteilung von Fahrzeugschäden.
  • Recycling: Effizientes Sortieren von Teilen.

Wo finde ich die Dataset-Konfigurationsdatei für Carparts Segmentation?

Die Datensatz-Konfigurationsdatei, carparts-seg.yaml, die Details zu den Dataset-Pfaden und -Klassen enthält, befindet sich im Ultralytics GitHub-Repository: carparts-seg.yaml.

Warum sollte ich das Carparts Segmentation Dataset verwenden?

Dieser Datensatz bietet umfangreiche, annotierte Daten, die für die Entwicklung genauer Segmentierungsmodelle für Automobilanwendungen entscheidend sind. Seine Vielfalt trägt zur Verbesserung der Modellrobustheit und -leistung in realen Szenarien wie der automatisierten Fahrzeuginspektion bei, wodurch Sicherheitssysteme verbessert und autonome Fahrtechnologien unterstützt werden. Die Verwendung hochwertiger, domänenspezifischer Datensätze wie diesem beschleunigt die KI-Entwicklung.



📅 Vor 1 Jahr erstellt ✏️ Vor 5 Monaten aktualisiert

Kommentare