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 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 Segmentierungsdatensatz ist eine wertvolle Ressource zur Verbesserung der Genauigkeit und Effizienz Ihrer Projekte.

Beobachten: Autoteile Instanz-Segmentierung mit Ultralytics YOLO11

Struktur des Datensatzes

Die Datenverteilung innerhalb des Carparts Segmentation Dataset ist wie unten beschrieben organisiert:

• Übungssatz: Enthält 3156 Bilder, die jeweils mit den entsprechenden Anmerkungen versehen sind.
• Testsatz: Besteht aus 276 Bildern, die jeweils mit den zugehörigen Kommentaren versehen sind.
• Validierungssatz: 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, in autonomen Fahrzeugen, in der Versicherungsabwicklung, im Recycling und in 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 zur Definition der Dataset-Konfiguration verwendet. Sie enthält Informationen über die Pfade des Datasets, Klassen und andere relevante Informationen. Im Falle des Datasets Paketsegmentierung ist die Datei carparts-seg.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/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://github.com/ultralytics/assets/releases/download/v0.0.0/carparts-seg.zip

Verwendung

Um das Modell Ultralytics YOLO11n auf dem Carparts Segmentation Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

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)

# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Beispieldaten und Anmerkungen

Der Carparts-Segmentierungsdatensatz umfasst eine Vielzahl von Bildern und Videos, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend finden Sie Beispiele von Daten aus dem Datensatz zusammen mit den entsprechenden Kommentaren:

• Dieses Bild veranschaulicht die Segmentierung von Objekten innerhalb eines Beispiels und zeigt kommentierte Bounding Boxes mit Masken, die identifizierte Objekte umgeben. Der Datensatz besteht aus einer Vielzahl von Bildern, die an verschiedenen 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.
• Dieses Beispiel 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 Sie den Carparts-Segmentierungsdatensatz in Ihre Forschungs- oder Entwicklungsprojekte integrieren, verweisen Sie 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 die Fahrzeugwartung und Forschungsprojekte. Weitere Informationen über den Carparts Segmentation Dataset und seine Ersteller finden Sie auf der CarParts Segmentation Dataset Page.

FAQ

Was ist der Roboflow Carparts Segmentation Dataset?

Der Roboflow Carparts Segmentation Dataset ist eine kuratierte Sammlung von Bildern und Videos, die speziell für die Segmentierung von Autoteilen in der Computer Vision entwickelt wurde. Dieser Datensatz enthält eine breite Palette von Bildern, die aus verschiedenen Perspektiven aufgenommen wurden, was ihn zu einer unschätzbaren Ressource für das Training und Testen von Segmentierungsmodellen für Automobilanwendungen macht.

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

Um ein YOLO11 Modell auf dem Carparts Segmentation Dataset zu trainieren, können Sie folgende Schritte durchführen:

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)

# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Weitere Einzelheiten finden Sie in der Schulungsdokumentation.

Was sind einige Anwendungen der Carparts-Segmentierung?

Die Segmentierung von Autoteilen kann in verschiedenen Bereichen angewandt werden, z. B:

• Qualitätskontrolle in der Automobilindustrie
• Autoreparatur und -wartung
• Katalogisierung im elektronischen Geschäftsverkehr
• Überwachung des Verkehrs
• Autonome Fahrzeuge
• Bearbeitung von Versicherungsansprüchen
• Recycling-Initiativen
• Intelligente Stadtprojekte

Diese Segmentierung hilft bei der genauen Identifizierung und Kategorisierung verschiedener Fahrzeugkomponenten, wodurch die Effizienz und die Automatisierung in diesen Branchen verbessert werden.

Wo finde ich die Dataset-Konfigurationsdatei für die Carparts-Segmentierung?

Die Dataset-Konfigurationsdatei für das Carparts-Segmentierungs-Dataset, carparts-seg.yamlist unter der folgenden Adresse zu finden: autoteils-seg.yaml.

Warum sollte ich den Carparts Segmentation Dataset verwenden?

Der Carparts Segmentation Dataset bietet reichhaltige, kommentierte Daten, die für die Entwicklung von hochpräzisen Segmentierungsmodellen in der automobilen Computer Vision unerlässlich sind. Die Vielfalt und die detaillierten Anmerkungen dieses Datensatzes verbessern das Modelltraining und machen ihn ideal für Anwendungen wie die Automatisierung der Fahrzeugwartung, die Verbesserung der Fahrzeugsicherheitssysteme und die Unterstützung autonomer Fahrtechnologien. Die Zusammenarbeit mit einem robusten Datensatz beschleunigt die KI-Entwicklung und gewährleistet eine bessere Modellleistung.

Weitere Einzelheiten finden Sie auf der Seite CarParts Segmentation Dataset.

📅 Erstellt vor 10 Monaten ✏️ Aktualisiert vor 13 Tagen

Kommentare