Carparts-Segmentierungsdatensatz
Der Carparts-Segmentierungsdatensatz, der auf Roboflow Universe verfügbar ist, ist eine kuratierte Sammlung von Bildern und Videos, die für Computer-Vision-Anwendungen entwickelt wurden und sich speziell auf Segmentierungsaufgaben konzentrieren. Dieser Datensatz, der auf Roboflow Universe gehostet wird, bietet einen vielfältigen Satz von Bildern, die aus verschiedenen Perspektiven aufgenommen wurden und wertvolle kommentierte Beispiele für das Training und Testen von Segmentierungsmodellen bieten.
Ganz gleich, ob Sie in der Automobilforschung arbeiten, KI-Lösungen für die Fahrzeugwartung entwickeln oder Computer-Vision-Anwendungen erforschen, der Carparts Segmentation Dataset ist eine wertvolle Ressource zur Verbesserung der Genauigkeit und Effizienz Ihrer Projekte mit Modellen wie Ultralytics YOLO.
Beobachten: Autoteile Instanz-Segmentierung mit Ultralytics YOLO11.
Struktur des Datensatzes
Die Datenverteilung im Carparts Segmentation Dataset ist wie folgt organisiert:
- Übungssatz: Enthält 3156 Bilder, die jeweils mit den entsprechenden Anmerkungen versehen sind. Dieser Satz wird für das Training des Deep-Learning-Modells verwendet.
- Testsatz: Besteht aus 276 Bildern, die jeweils mit den zugehörigen Anmerkungen gepaart sind. Dieser Satz wird verwendet, um die Leistung des Modells nach dem Training mit Testdaten zu bewerten.
- Validierungssatz: Besteht aus 401 Bildern, die jeweils mit entsprechenden Anmerkungen versehen sind. Dieser Satz wird während des Trainings verwendet, um die Hyperparameter abzustimmen und eine Überanpassung mit Validierungsdaten zu verhindern.
Anwendungen
Carparts Segmentation findet in verschiedenen Bereichen Anwendung, darunter:
- Qualitätskontrolle in der Automobilindustrie: Identifizierung von Fehlern oder Unstimmigkeiten in Autoteilen während der Herstellung(AI in Manufacturing).
- Autoreparatur: Unterstützung von Mechanikern bei der Identifizierung von Teilen für die Reparatur oder den Austausch.
- Katalogisierung im E-Commerce: Automatische Kennzeichnung und Kategorisierung von Autoteilen in Online-Shops für E-Commerce-Plattformen.
- Verkehrsüberwachung: Analyse von Fahrzeugkomponenten in Verkehrsüberwachungsbildern.
- Autonome Fahrzeuge: Verbesserung der Wahrnehmungssysteme von selbstfahrenden Autos, um umliegende Fahrzeuge besser zu verstehen.
- Versicherungsabwicklung: Automatisierte Schadensbeurteilung durch Identifizierung betroffener Fahrzeugteile bei Versicherungsansprüchen.
- Wiederverwertung: Sortieren von Fahrzeugteilen für effiziente Recyclingprozesse.
- Smart City-Initiativen: Bereitstellung von Daten für Stadtplanungs- und Verkehrsmanagementsysteme in Smart Cities.
Durch die genaue Identifizierung und Kategorisierung der verschiedenen Fahrzeugkomponenten rationalisiert die Segmentierung von Autoteilen die Prozesse und trägt zu mehr Effizienz und Automatisierung in diesen Branchen bei.
Datensatz YAML
A YAML (Yet Another Markup Language)-Datei definiert die Datensatzkonfiguration, einschließlich Pfaden, Klassennamen und anderen wichtigen Details. Für den Carparts-Segmentierungsdatensatz wird die Datei carparts-seg.yaml Datei ist verfügbar unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Mehr über das YAML-Format erfahren Sie 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 (132 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: ../datasets/carparts-seg # dataset root dir
train: train/images # train images (relative to 'path') 3516 images
val: valid/images # val images (relative to 'path') 276 images
test: test/images # 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
Verwendung
Zur Ausbildung eines Ultralytics YOLO11 Modell auf dem Carparts-Segmentierungsdatensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die folgenden Codeschnipsel. Eine umfassende Liste der verfügbaren Argumente finden Sie im Modell-Trainingshandbuch, und in den Tipps zur Modellschulung finden Sie die besten Verfahren.
Beispiel für einen Zug
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-Segmentierungsdatensatz umfasst eine Vielzahl von Bildern und Videos, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend finden Sie Beispiele für die Daten und die entsprechenden Anmerkungen:
- Das Bild zeigt die Segmentierung von Objekten in einem Bildbeispiel eines Autos. Annotierte Bounding Boxes mit Masken heben die identifizierten Fahrzeugteile hervor (z. B. Scheinwerfer, Kühlergrill).
- Der Datensatz enthält eine Vielzahl von Bildern, die unter verschiedenen Bedingungen (Standorte, Beleuchtung, Objektdichte) aufgenommen wurden und stellt eine umfassende Ressource für das Training robuster Modelle zur Segmentierung von Autoteilen dar.
- 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 die Datenerweiterung können die Modellgeneralisierung weiter verbessern.
Zitate und Danksagungen
Wenn Sie den Carparts Segmentierungsdatensatz in Ihrer Forschung oder Entwicklung verwenden, geben Sie bitte die Originalquelle an:
@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 danken Gianmarco Russo und dem Roboflow für die Erstellung und Pflege dieses wertvollen Datensatzes für die Computer Vision Community. Weitere Datensätze finden Sie in der SammlungUltralytics Datasets.
FAQ
Was ist der Carparts Segmentierungsdatensatz?
Der Carparts Segmentation Dataset ist eine spezielle Sammlung von Bildern und Videos für das Training von Computer-Vision-Modellen zur Segmentierung von Autoteilen. Er enthält verschiedene Bilder mit detaillierten Anmerkungen, die für KI-Anwendungen im Automobilbereich geeignet sind.
Wie kann ich den Carparts Segmentation Dataset mit Ultralytics YOLO11 verwenden?
Sie können eine Ultralytics YOLO11 Segmentierungsmodell unter Verwendung dieses Datensatzes. Laden Sie ein vorab trainiertes Modell (z. B., yolo11n-seg.pt) und beginnen Sie mit dem Training, indem Sie die mitgelieferten Python oder CLI verwenden und auf die carparts-seg.yaml Konfigurationsdatei. Prüfen Sie die Leitfaden für die Ausbildung für detaillierte Anweisungen.
Zug Beispiel Snippet
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 Anwendungen der Carparts-Segmentierung?
Carparts Segmentierung ist nützlich in:
- Qualitätskontrolle in der Automobilindustrie: Sicherstellen, dass Teile den Normen entsprechen(AI in Manufacturing).
- Autoreparatur: Erkennen von Teilen, die gewartet werden müssen.
- Elektronischer Handel: Teile online katalogisieren.
- Autonome Fahrzeuge: Verbesserung der Fahrzeugwahrnehmung(AI in Automotive).
- Versicherung: Automatische Bewertung von Fahrzeugschäden.
- Recycling: Teile effizient sortieren.
Wo finde ich die Dataset-Konfigurationsdatei für die Carparts-Segmentierung?
Die Konfigurationsdatei des Datensatzes, carparts-seg.yamldie Details zu den Datensatzpfaden und -klassen enthält, befindet sich im Ultralytics GitHub-Repository: autoteils-seg.yaml.
Warum sollte ich den Carparts Segmentation Dataset verwenden?
Dieser Datensatz bietet reichhaltige, mit Anmerkungen versehene Daten, die für die Entwicklung präziser Segmentierungsmodelle für Automobilanwendungen entscheidend sind. Seine Vielfalt trägt dazu bei, die Robustheit und Leistung der Modelle in realen Szenarien wie der automatisierten Fahrzeuginspektion, der Verbesserung von Sicherheitssystemen und der Unterstützung autonomer Fahrtechnologien zu verbessern. Die Verwendung hochwertiger, domänenspezifischer Datensätze wie diesem beschleunigt die KI-Entwicklung.
