Link to this sectionCarparts-Segmentierungsdatensatz#
Der Carparts-Segmentierungsdatensatz ist eine kuratierte Sammlung von Bildern und Videos, die für Computer Vision-Anwendungen konzipiert wurde und sich speziell auf Segmentierungsaufgaben konzentriert. Dieser Datensatz bietet eine vielfältige Auswahl an Bildmaterial aus verschiedenen Perspektiven und liefert wertvolle annotierte Beispiele für das Training und Testen von Segmentierungsmodellen.
Egal, ob du in der Automobilforschung arbeitest, KI-Lösungen für die Fahrzeugwartung entwickelst oder Anwendungen im Bereich Computer Vision erkundest: Der Carparts-Segmentierungsdatensatz ist eine wertvolle Ressource, um die Genauigkeit und Effizienz deiner Projekte mit Modellen wie Ultralytics YOLO zu verbessern.
Watch: How to Segment Carparts with Ultralytics Platform | Train, Deploy & Inference | Ultralytics YOLO26 🚀
Link to this sectionDatensatzstruktur#
Die Datenverteilung innerhalb des Carparts-Segmentierungsdatensatzes ist wie folgt organisiert:
- Trainingsset: Enthält 3516 Bilder, die jeweils mit den entsprechenden Annotationen versehen sind. Dieses Set wird für das Training des Deep Learning-Modells verwendet.
- Testset: Umfasst 401 Bilder, die jeweils mit den entsprechenden Annotationen gepaart sind. Dieses Set wird verwendet, um die Leistung des Modells nach dem Training mit Testdaten zu evaluieren.
- Validierungsset: Besteht aus 276 Bildern, die jeweils mit entsprechenden Annotationen versehen sind. Dieses Set wird während des Trainings verwendet, um Hyperparameter anzupassen und Overfitting mithilfe von Validierungsdaten zu verhindern.
Link to this sectionAnwendungen#
Die Carparts-Segmentierung findet in verschiedenen Bereichen Anwendung, darunter:
- Automobil-Qualitätskontrolle: Identifizierung von Defekten oder Unstimmigkeiten an Autoteilen während der Herstellung (KI in der Fertigung).
- Autoreparatur: Unterstützung von Mechanikern bei der Identifizierung von Teilen für Reparaturen oder Austausch.
- E-Commerce-Katalogisierung: Automatische Markierung und Kategorisierung von Autoteilen in Online-Shops für E-Commerce-Plattformen.
- Verkehrsüberwachung: Analyse von Fahrzeugkomponenten in Videoaufnahmen der Verkehrsüberwachung.
- Autonome Fahrzeuge: Verbesserung der Wahrnehmungssysteme von selbstfahrenden Autos, um die Umgebung besser zu verstehen.
- Versicherungsabwicklung: Automatisierung der Schadensbewertung durch Identifizierung betroffener Autoteile bei Versicherungsansprüchen.
- Recycling: Sortierung von Fahrzeugkomponenten für effiziente Recyclingprozesse.
- Smart-City-Initiativen: Bereitstellung von Daten für Stadtplanung und Verkehrsmanagementsysteme innerhalb von Smart Cities.
Durch die präzise Identifizierung und Kategorisierung verschiedener Fahrzeugkomponenten rationalisiert die Carparts-Segmentierung Prozesse und trägt zur Steigerung der Effizienz und Automatisierung in diesen Branchen bei.
Link to this sectionDatensatz-YAML#
Eine YAML (Yet Another Markup Language)-Datei definiert die Datensatzkonfiguration, einschließlich Pfaden, Klassennamen und anderen wesentlichen Details. Für den Carparts-Segmentierungsdatensatz ist die carparts-seg.yaml-Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml verfügbar. Mehr über das YAML-Format erfährst du unter yaml.org.
# 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.zipLink to this sectionVerwendung#
Um ein Ultralytics YOLO26-Modell auf dem Carparts-Segmentierungsdatensatz für 100 Epochen bei einer Bildgröße von 640 zu trainieren, verwende die folgenden Code-Snippets. Siehe den Training-Leitfaden für eine umfassende Liste der verfügbaren Argumente und entdecke Tipps zum Modelltraining für Best Practices.
from ultralytics import YOLO
# Load a pretrained segmentation model like YOLO26n-seg
model = YOLO("yolo26n-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")Link to this sectionBeispieldaten und Annotationen#
Der Carparts-Segmentierungsdatensatz umfasst eine vielfältige Auswahl an Bildern und Videos aus verschiedenen Perspektiven. Unten sind Beispiele aufgeführt, die die Daten und ihre entsprechenden Annotationen zeigen:
- Das Bild demonstriert die Objektsegmentierung anhand eines Beispielbilds eines Autos. Annotierte Bounding Boxes mit Masken markieren die identifizierten Autoteile (z. B. Scheinwerfer, Kühlergrill).
- Der Datensatz enthält eine Vielzahl von Bildern, die unter unterschiedlichen Bedingungen aufgenommen wurden (Standorte, Beleuchtung, Objektdichte), und bietet somit eine umfassende Ressource für das Training robuster Autoteil-Segmentierungsmodelle.
- Dieses Beispiel unterstreicht die Komplexität des Datensatzes und die Bedeutung von qualitativ hochwertigen Daten für Computer-Vision-Aufgaben, insbesondere in spezialisierten Bereichen wie der Analyse von Automobilkomponenten. Techniken wie Data Augmentation können die Generalisierung des Modells weiter verbessern.
Link to this sectionZitate und Danksagungen#
Wenn du den Carparts-Segmentierungsdatensatz für deine Forschungs- oder Entwicklungszwecke verwendest, zitiere 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 },
year = { 2023 },
month = { nov },
note = { visited on 2024-01-24 },
}Wir würdigen den Beitrag von Gianmarco Russo und dem Roboflow-Team bei der Erstellung und Pflege dieses wertvollen Datensatzes für die Computer-Vision-Community. Weitere Datensätze findest du in der Ultralytics Datasets-Sammlung.
Link to this sectionFAQ#
Link to this sectionWas ist der Carparts-Segmentierungsdatensatz?#
Der Carparts-Segmentierungsdatensatz ist eine spezialisierte Sammlung von Bildern und Videos zum Training von Computer-Vision-Modellen zur Durchführung einer Segmentierung von Autoteilen. Er enthält vielfältiges Bildmaterial mit detaillierten Annotationen, die sich für KI-Anwendungen im Automobilbereich eignen.
Link to this sectionWie kann ich den Carparts-Segmentierungsdatensatz mit Ultralytics YOLO26 nutzen?#
Du kannst ein Ultralytics YOLO26-Segmentierungsmodell mit diesem Datensatz trainieren. Lade ein vortrainiertes Modell (z. B. yolo26n-seg.pt) und starte das Training mit den bereitgestellten Python- oder CLI-Beispielen, wobei du auf die carparts-seg.yaml-Konfigurationsdatei verweist. Weitere Informationen findest du im Training-Leitfaden.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)Link to this sectionWas sind einige Anwendungen der Carparts-Segmentierung?#
Die Carparts-Segmentierung ist nützlich bei:
- Automobil-Qualitätskontrolle: Sicherstellung, dass Teile den Standards entsprechen (KI in der Fertigung).
- Autoreparatur: Identifizierung von Teilen, die gewartet werden müssen.
- E-Commerce: Online-Katalogisierung von Teilen.
- Autonome Fahrzeuge: Verbesserung der Fahrzeugwahrnehmung (KI in der Automobilbranche).
- Versicherung: Automatische Bewertung von Fahrzeugschäden.
- Recycling: Effizientes Sortieren von Teilen.
Link to this sectionWo finde ich die Datensatz-Konfigurationsdatei für die Carparts-Segmentierung?#
Die Datensatz-Konfigurationsdatei carparts-seg.yaml, die Details zu den Pfaden und Klassen des Datensatzes enthält, befindet sich im Ultralytics GitHub-Repository: carparts-seg.yaml.
Link to this sectionWarum sollte ich den Carparts-Segmentierungsdatensatz verwenden?#
Dieser Datensatz bietet reichhaltige, annotierte Daten, die entscheidend für die Entwicklung präziser Segmentierungsmodelle für Automobilanwendungen sind. Seine Vielfalt trägt dazu bei, die Robustheit und Leistung des Modells in realen Szenarien wie der automatisierten Fahrzeuginspektion zu verbessern, Sicherheitssysteme zu stärken und autonomes Fahren zu unterstützen. Die Verwendung solch hochwertiger, fachspezifischer Datensätze beschleunigt die KI-Entwicklung.