Conjunto de datos de segmentación de piezas de automóviles
El conjunto de datos Carparts Segmentation, disponible en Roboflow Universe, es una colección seleccionada de imágenes y vídeos diseñada para aplicaciones de visión artificial, que se centra específicamente en las tareas de segmentación. Alojado en Roboflow Universe, este conjunto de datos proporciona un conjunto diverso de imágenes capturadas desde múltiples perspectivas, ofreciendo valiosos ejemplos anotados para entrenar y probar modelos de segmentación.
Tanto si trabajas en investigación automotriz, como si desarrollas soluciones de IA para el mantenimiento de vehículos o exploras aplicaciones de visión artificial, el conjunto de datos de segmentación de piezas de automóviles sirve como un valioso recurso para mejorar la precisión y la eficiencia de tus proyectos utilizando modelos como Ultralytics YOLO.
Ver: Piezas de automóviles Segmentación de instancias con Ultralytics YOLO11.
Estructura del conjunto de datos
La distribución de datos dentro del conjunto de datos de segmentación de piezas de automóviles se organiza de la siguiente manera:
- Conjunto de entrenamiento: Incluye 3156 imágenes, cada una acompañada de sus correspondientes anotaciones. Este conjunto se utiliza para el entrenamiento del modelo de aprendizaje profundo.
- Conjunto de pruebas: Comprende 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: Consta de 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 automóviles encuentra aplicaciones en varios dominios, incluyendo:
- Control de Calidad Automotriz: Identificación de defectos o inconsistencias en las piezas de automóviles durante la fabricación (IA en la Fabricación).
- Reparación Automotriz: Asistencia a mecánicos en la identificación de piezas para reparación o reemplazo.
- Catalogación de comercio electrónico: Etiquetado y categorización automática de piezas de automóviles en tiendas en línea para plataformas de comercio electrónico.
- Monitoreo del tráfico: Análisis de los componentes del vehículo en imágenes de vigilancia del tráfico.
- Vehículos autónomos: Mejora de los sistemas de percepción de los coches autónomos para comprender mejor los vehículos circundantes.
- Procesamiento de seguros: Automatización de la evaluación de daños mediante la identificación de las partes del coche afectadas durante las reclamaciones de seguros.
- Reciclaje: Clasificación de componentes de vehículos para procesos de reciclaje eficientes.
- Iniciativas de ciudades inteligentes: Aportación de datos para la planificación urbana y los sistemas de gestión del tráfico dentro de las Ciudades inteligentes.
Al identificar y clasificar con precisión los diferentes componentes de los vehículos, la segmentación de piezas de automóviles agiliza los procesos y contribuye a una mayor eficiencia y automatización en estas industrias.
YAML del conjunto de datos
A YAML Un archivo (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 automóviles, el carparts-seg.yaml archivo está disponible en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Puede obtener más información sobre el formato YAML en 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 (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.zip
Uso
Para entrenar un modelo Ultralytics YOLO11 en el conjunto de datos de Segmentación de Piezas de Automóviles durante 100 epochs 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 de entrenamiento del modelo para conocer las mejores prácticas.
Ejemplo de entrenamiento
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
Datos de muestra y anotaciones
El conjunto de datos Carparts Segmentation incluye una variada gama de imágenes y vídeos capturados desde diversas perspectivas. A continuación, se muestran ejemplos que ilustran los datos y sus correspondientes anotaciones:
- La imagen demuestra la segmentación de objetos dentro de una muestra de imagen de un coche. Los cuadros delimitadores anotados con máscaras resaltan las partes del coche identificadas (por ejemplo, faros, rejilla).
- El conjunto de datos presenta una variedad de imágenes capturadas en diferentes condiciones (ubicaciones, iluminación, densidades de objetos), lo que proporciona un recurso completo 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 de automoción. Técnicas como el aumento de datos pueden mejorar aún más la generalización del modelo.
Citas y agradecimientos
Si utiliza el conjunto de datos Carparts Segmentation en sus esfuerzos de investigación o desarrollo, cite 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 },
journal = { Roboflow Universe },
publisher = { Roboflow },
year = { 2023 },
month = { nov },
note = { visited on 2024-01-24 },
}
Agradecemos la contribución de Gianmarco Russo y el equipo de Roboflow en la creación y el mantenimiento de este valioso conjunto de datos para la comunidad de visión artificial. Para obtener más conjuntos de datos, visite la colección de conjuntos de datos de Ultralytics.
Preguntas frecuentes
¿Qué es el Dataset de Segmentación de Piezas de Automóviles?
El conjunto de datos Carparts Segmentation es una colección especializada de imágenes y vídeos para entrenar modelos de visión artificial para realizar la segmentación en piezas de automóviles. Incluye imágenes diversas con anotaciones detalladas, adecuadas para aplicaciones de IA en automoción.
¿Cómo puedo utilizar el conjunto de datos de segmentación de piezas de automóviles con Ultralytics YOLO11?
Puedes entrenar un Ultralytics YOLO11 modelo de segmentación utilizando este conjunto de datos. Carga un modelo preentrenado (p. ej., yolo11n-seg.pt) e inicie el entrenamiento utilizando los ejemplos proporcionados en python o en la CLI, haciendo referencia al carparts-seg.yaml archivo de configuración. Consulte el Guía de Entrenamiento para obtener instrucciones detalladas.
Fragmento de ejemplo de entrenamiento
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
¿Cuáles son algunas aplicaciones de la segmentación de piezas de automóviles?
La segmentación de piezas de automóviles es útil en:
- Control de Calidad Automotriz: Aseguramiento de que las piezas cumplan con los estándares (IA en la Fabricación).
- Reparación Automotriz: Identificación de piezas que necesitan servicio.
- Comercio electrónico: Catalogación de piezas en línea.
- Vehículos autónomos: Mejora de la percepción del vehículo (IA en la automoción).
- Seguros: Evaluación automática de los daños del vehículo.
- Reciclaje: Clasificación eficiente de piezas.
¿Dónde puedo encontrar el archivo de configuración del conjunto de datos para la segmentación de piezas de automóviles (Carparts Segmentation)?
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 Ultralytics en GitHub: carparts-seg.yaml.
¿Por qué debería usar el conjunto de datos de segmentación de piezas de automóviles?
Este conjunto de datos ofrece datos ricos y anotados 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, la mejora de los sistemas de seguridad y el soporte de la tecnología de conducción autónoma. El uso de conjuntos de datos específicos del dominio y de alta calidad como este acelera el desarrollo de la IA.
