Zum Inhalt springen

Roboflow Universum Carparts Segmentierungsdatensatz

Der Roboflow Carparts Segmentation Dataset ist eine kuratierte Sammlung von Bildern und Videos, die für Computer-Vision-Anwendungen entwickelt wurde und sich speziell auf Segmentierungsaufgaben im Zusammenhang mit Autoteilen konzentriert. Dieser Datensatz bietet eine Vielzahl von Bildern, die aus verschiedenen Perspektiven aufgenommen wurden und wertvolle kommentierte Beispiele zum Trainieren und Testen von Segmentierungsmodellen liefern.

Egal, ob du in der Automobilforschung arbeitest, KI-Lösungen für die Fahrzeugwartung entwickelst oder Computer-Vision-Anwendungen erforschst, der Carparts Segmentation Dataset ist eine wertvolle Ressource, um die Genauigkeit und Effizienz deiner Projekte zu verbessern.



Pass auf: Carparts Instanz-Segmentierung mit Ultralytics HUB

Struktur des Datensatzes

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

  • Trainingsset: Enthält 3156 Bilder, die jeweils mit den entsprechenden Anmerkungen versehen sind.
  • Testsatz: Besteht aus 276 Bildern, die jeweils mit den entsprechenden Kommentaren versehen sind.
  • Validierungsset: Besteht aus 401 Bildern, die jeweils mit entsprechenden Kommentaren versehen sind.

Anwendungen

Die Carparts-Segmentierung findet Anwendung in der Qualitätskontrolle in der Automobilindustrie, in der Autoreparatur, im E-Commerce-Katalog, in der Verkehrsüberwachung, bei autonomen Fahrzeugen, in der Versicherungsabwicklung, im Recycling und bei Smart City-Initiativen. Sie rationalisiert Prozesse durch die genaue Identifizierung und Kategorisierung verschiedener Fahrzeugkomponenten und trägt so zur Effizienz und Automatisierung in verschiedenen Branchen bei.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthält Informationen über die Pfade des Datasets, die Klassen und andere wichtige Informationen. Im Fall des Datensatzes Paketsegmentierung ist die carparts-seg.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml.

ultralytics/cfg/datasets/carparts-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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://ultralytics.com/assets/carparts-seg.zip

Verwendung

Um das Modell Ultralytics YOLOv8n auf dem Carparts Segmentation Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Modelltraining.

Beispiel für einen Zug

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Beispieldaten und Anmerkungen

Der Carparts-Segmentierungsdatensatz enthält eine Vielzahl von Bildern und Videos, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend findest du Beispiele für Daten aus dem Datensatz mit den dazugehörigen Kommentaren:

Datensatz Beispielbild

  • Dieses Bild veranschaulicht die Segmentierung von Objekten in einer Stichprobe mit kommentierten Boundingboxen und Masken um die identifizierten Objekte. Der Datensatz besteht aus einer Vielzahl von Bildern, die an unterschiedlichen Orten, in verschiedenen Umgebungen und in verschiedenen Dichten aufgenommen wurden und dient als umfassende Ressource für die Erstellung von Modellen, die speziell für diese Aufgabe geeignet sind.
  • Dieser Fall verdeutlicht die Vielfalt und Komplexität des Datensatzes und unterstreicht die entscheidende Rolle qualitativ hochwertiger Daten bei Computer-Vision-Aufgaben, insbesondere im Bereich der Segmentierung von Autoteilen.

Zitate und Danksagungen

Wenn du den Carparts-Segmentierungsdatensatz in deine Forschungs- oder Entwicklungsprojekte integrierst, beziehe dich bitte auf das folgende Papier:

   @misc{ car-seg-un1pm_dataset,
        title = { car-seg Dataset },
        type = { Open Source Dataset },
        author = { Gianmarco Russo },
        howpublished = { \url{ https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm } },
        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 dem Team von Roboflow für sein Engagement bei der Entwicklung und Verwaltung des Carparts Segmentation Dataset, einer wertvollen Ressource für Fahrzeugwartung und Forschungsprojekte. Weitere Informationen über den Carparts Segmentation Dataset und seine Ersteller findest du auf der Seite CarParts Segmentation Dataset.



Erstellt 2024-01-25, Aktualisiert 2024-05-18
Autoren: glenn-jocher (2), RizwanMunawar (2)

Kommentare