Conjunto de datos de segmentación de piezas de automóvil
El conjunto de datos de segmentación de piezas de automóvil es una colección seleccionada de imágenes y vídeos diseñada para aplicaciones de visión artificial, centrándose específicamente en tareas de segmentación. Este conjunto de datos proporciona un conjunto diverso de elementos visuales capturados desde múltiples perspectivas, ofreciendo valiosos ejemplos anotados para entrenar y probar modelos de segmentación.
Tanto si trabajas en investigación automotriz, desarrollas soluciones de IA para el mantenimiento de vehículos o exploras aplicaciones de visión artificial, el conjunto de datos de segmentación de piezas de automóvil sirve como un recurso valioso para mejorar la precisión y la eficiencia de tus proyectos utilizando modelos como Ultralytics YOLO.
Watch: How to Segment Carparts with Ultralytics Platform | Train, Deploy & Inference | Ultralytics YOLO26 🚀
Estructura del conjunto de datos
La distribución de los datos dentro del conjunto de datos de segmentación de piezas de automóvil se organiza de la siguiente manera:
- Training set: Includes 3156 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
- Conjunto de pruebas: Consta de 276 imágenes, cada una emparejada con sus respectivas anotaciones. Este conjunto se utiliza para evaluar el rendimiento del modelo después del entrenamiento utilizando datos de prueba.
- Conjunto de validación: Consiste en 401 imágenes, cada una con sus correspondientes anotaciones. Este conjunto se utiliza durante el entrenamiento para ajustar los hiperparámetros y evitar el sobreajuste utilizando datos de validación.
Aplicaciones
La segmentación de piezas de automóvil encuentra aplicaciones en varios ámbitos, incluyendo:
- Control de calidad automotriz: Identificación de defectos o inconsistencias en las piezas de los automóviles durante la fabricación (IA en fabricación).
- Reparación de automóviles: Asistencia a los mecánicos en la identificación de piezas para su reparación o sustitución.
- Catalogación de comercio electrónico: Etiquetado y categorización automática de piezas de automóviles en tiendas online para plataformas de comercio electrónico.
- Control de tráfico: Análisis de los componentes de los vehículos en secuencias de vídeo de vigilancia del tráfico.
- Vehículos autónomos: Mejora de los sistemas de percepción de coches autónomos para comprender mejor los vehículos circundantes.
- Procesamiento de seguros: Automatización de la evaluación de daños mediante la identificación de las piezas del automóvil afectadas durante las reclamaciones de seguros.
- Reciclaje: Clasificación de componentes de vehículos para procesos de reciclaje eficientes.
- Iniciativas de ciudades inteligentes: Contribución de datos para la planificación urbana y sistemas de gestión del tráfico dentro de ciudades inteligentes.
Al identificar y categorizar con precisión los diferentes componentes de los vehículos, la segmentación de piezas de automóvil agiliza los procesos y contribuye a aumentar la eficiencia y la automatización en todos estos sectores.
YAML del conjunto de datos
Un archivo YAML (Yet Another Markup Language) define la configuración del conjunto de datos, incluyendo rutas, nombres de clases y otros detalles esenciales. Para el conjunto de datos de segmentación de piezas de automóvil, el archivo carparts-seg.yaml está disponible en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Puedes obtener más información sobre el formato YAML en 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.zipUso
Para entrenar un modelo Ultralytics YOLO26 con el conjunto de datos de segmentación de piezas de automóvil durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes fragmentos de código. Consulta la guía de entrenamiento del modelo para obtener una lista completa de los argumentos disponibles y explora los consejos para el entrenamiento de modelos para conocer las mejores prácticas.
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")Muestra de datos y anotaciones
El conjunto de datos de segmentación de piezas de automóvil incluye una amplia gama de imágenes y vídeos capturados desde diversas perspectivas. A continuación, se muestran ejemplos de los datos y sus correspondientes anotaciones:
- La imagen demuestra la segmentación de objetos dentro de una muestra de imagen de coche. Las cajas delimitadoras anotadas con máscaras resaltan las piezas de automóvil identificadas (por ejemplo, faros, rejilla).
- El conjunto de datos presenta una variedad de imágenes capturadas bajo diferentes condiciones (ubicaciones, iluminación, densidad de objetos), lo que proporciona un recurso exhaustivo para entrenar modelos robustos de segmentación de piezas de automóviles.
- Este ejemplo subraya la complejidad del conjunto de datos y la importancia de los datos de alta calidad para las tareas de visión artificial, especialmente en dominios especializados como el análisis de componentes automotrices. Técnicas como la aumentación de datos pueden mejorar aún más la generalización del modelo.
Citas y reconocimientos
Si utilizas el conjunto de datos de segmentación de piezas de automóvil en tus esfuerzos de investigación o desarrollo, por favor cita la fuente original:
@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 },
}Reconocemos la contribución de Gianmarco Russo y el equipo de Roboflow en la creación y mantenimiento de este valioso conjunto de datos para la comunidad de visión artificial. Para más conjuntos de datos, visita la colección de conjuntos de datos de Ultralytics.
Preguntas frecuentes
¿Qué es el conjunto de datos de segmentación de piezas de automóvil?
El conjunto de datos de segmentación de piezas de automóvil es una colección especializada de imágenes y vídeos para entrenar modelos de visión artificial para realizar segmentación en piezas de automóviles. Incluye diversos elementos visuales con anotaciones detalladas, adecuados para aplicaciones de IA automotriz.
¿Cómo puedo utilizar el conjunto de datos de segmentación de piezas de automóvil con Ultralytics YOLO26?
Puedes entrenar un modelo de segmentación Ultralytics YOLO26 utilizando este conjunto de datos. Carga un modelo preentrenado (por ejemplo, yolo26n-seg.pt) e inicia el entrenamiento utilizando los ejemplos de Python o CLI proporcionados, haciendo referencia al archivo de configuración carparts-seg.yaml. Consulta la guía de entrenamiento para obtener instrucciones detalladas.
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)¿Cuáles son algunas aplicaciones de la segmentación de piezas de automóvil?
La segmentación de piezas de automóvil es útil en:
- Control de calidad automotriz: Garantizar que las piezas cumplan con los estándares (IA en fabricación).
- Reparación de automóviles: Identificación de piezas que necesitan mantenimiento.
- Comercio electrónico: Catalogación de piezas en línea.
- Vehículos autónomos: Mejora de la percepción del vehículo (IA en automoción).
- Seguros: Evaluación automática de los daños de los vehículos.
- Reciclaje: Clasificación eficiente de piezas.
¿Dónde puedo encontrar el archivo de configuración del conjunto de datos para la segmentación de piezas de automóvil?
El archivo de configuración del conjunto de datos, carparts-seg.yaml, que contiene detalles sobre las rutas y clases del conjunto de datos, se encuentra en el repositorio de GitHub de Ultralytics: carparts-seg.yaml.
¿Por qué debería utilizar el conjunto de datos de segmentación de piezas de automóvil?
Este conjunto de datos ofrece datos ricos y anotados que son cruciales para desarrollar modelos de segmentación precisos para aplicaciones automotrices. Su diversidad ayuda a mejorar la robustez y el rendimiento del modelo en escenarios del mundo real como la inspección automatizada de vehículos, mejorando los sistemas de seguridad y apoyando la tecnología de conducción autónoma. El uso de conjuntos de datos de alta calidad y específicos de un dominio como este acelera el desarrollo de la IA.