Conjunto de datos de segmentación Carparts
El conjunto de datos de segmentación Carparts, disponible en Roboflow Universe, es una colección de imágenes y vídeos diseñada para aplicaciones de visión por ordenador, centrada específicamente en 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 trabaja en investigación automovilística, como si desarrolla soluciones de IA para el mantenimiento de vehículos o explora aplicaciones de visión por ordenador, el conjunto de datos de segmentación de Carparts constituye un valioso recurso para mejorar la precisión y eficacia de sus proyectos utilizando modelos como Ultralytics YOLO.
Observa: Carparts Segmentación de instancias con Ultralytics YOLO11.
Estructura del conjunto de datos
La distribución de los datos en el conjunto de datos de segmentación de Carparts se organiza del siguiente modo:
- Conjunto de entrenamiento: Incluye 3156 imágenes, cada una acompañada de sus correspondientes anotaciones. Este conjunto se utiliza para entrenar el modelo de aprendizaje profundo.
- Conjunto de pruebas: Comprende 276 imágenes, cada una de ellas emparejada con sus respectivas anotaciones. Este conjunto se utiliza para evaluar el rendimiento del modelo tras el entrenamiento con 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 tiene aplicaciones en varios ámbitos, entre ellos:
- Control de calidad en automoción: Identificación de defectos o incoherencias en piezas de automóviles durante su fabricación(AI in Manufacturing).
- Reparación de automóviles: Asistencia a mecánicos en la identificación de piezas para reparación o sustitución.
- Catalogación de comercio electrónico: Etiquetado y categorización automática de piezas de automóviles en tiendas online para plataformas de comercio electrónico.
- Vigilancia del tráfico: Análisis de componentes de vehículos en imágenes de vigilancia del tráfico.
- Vehículos autónomos: Mejora de los sistemas de percepción de los coches autón omos para comprender mejor a los vehículos circundantes.
- Tramitación de seguros: Automatización de la evaluación de daños mediante la identificación de las piezas del coche afectadas durante las reclamaciones al seguro.
- Reciclado: Clasificación de componentes de vehículos para procesos de reciclado 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 categorizar con precisión los distintos componentes de los vehículos, la segmentación de piezas de automóviles agiliza los procesos y contribuye a aumentar la eficiencia y la automatización en estos sectores.
Conjunto de datos YAML
A YAML (Yet Another Markup Language) define la configuración del conjunto de datos, incluidas las rutas, los nombres de las clases y otros detalles esenciales. Para el conjunto de datos Carparts Segmentation, el archivo carparts-seg.yaml 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 (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
Utilización
Para entrenar un Ultralytics YOLO11 en el conjunto de datos Carparts Segmentation para 100 épocas con un tamaño de imagen de 640, utilice los siguientes fragmentos de código. Consulte la guía de entrenamiento del modelo para obtener una lista completa de los argumentos disponibles y explore los consejos de entrenamiento del modelo para conocer las mejores prácticas.
Ejemplo de tren
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
Ejemplos de datos y anotaciones
El conjunto de datos Carparts Segmentation incluye una gran variedad de imágenes y vídeos capturados desde distintas perspectivas. A continuación se muestran ejemplos de los datos y sus correspondientes anotaciones:
- La imagen muestra la segmentación de objetos en una muestra de imagen de un automóvil. Los recuadros delimitadores anotados con máscaras resaltan las partes del coche identificadas (por ejemplo, faros, parrilla).
- El conjunto de datos presenta una variedad de imágenes capturadas en distintas 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 disponer de datos de alta calidad para las tareas de visión por ordenador, especialmente en ámbitos especializados como el análisis de componentes de automoción. Técnicas como el aumento de datos pueden mejorar aún más la generalización de los modelos.
Citas y agradecimientos
Si utiliza el conjunto de datos de segmentación de Carparts en sus actividades 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 mantenimiento de este valioso conjunto de datos para la comunidad de visión por ordenador. Para ver más conjuntos de datos, visite la colecciónUltralytics Datasets.
PREGUNTAS FRECUENTES
¿Qué es el conjunto de datos de segmentación de Carparts?
El conjunto de datos Carparts Segmentation Dataset es una colección especializada de imágenes y vídeos para entrenar modelos de visión por ordenador para realizar segmentaciones en piezas de automóviles. Incluye diversas imágenes con anotaciones detalladas, adecuadas para aplicaciones de IA en automoción.
¿Cómo puedo utilizar el conjunto de datos de segmentación de Carparts con Ultralytics YOLO11 ?
Puede formar a un Ultralytics YOLO11 modelo de segmentación utilizando este conjunto de datos. Cargar un modelo preentrenado (por ejemplo, yolo11n-seg.pt) e inicie la formación utilizando los ejemplos de Python o CLI proporcionados, haciendo referencia al archivo carparts-seg.yaml archivo de configuración. Compruebe el Guía de formación para obtener instrucciones detalladas.
Ejemplo de tren
¿Cuáles son las aplicaciones de la segmentación Carparts?
Carparts La segmentación es útil en:
- Control de calidad en automoción: Garantizar que las piezas cumplen las normas(AI in Manufacturing).
- Reparación de automóviles: Identificación de piezas que necesitan servicio.
- Comercio electrónico: Catalogación de piezas en línea.
- Vehículos autónomos: Mejora de la percepción del vehículo(AI in Automotive).
- Seguro: Evaluación automática de los daños del vehículo.
- Reciclaje: Clasificación eficaz de piezas.
¿Dónde puedo encontrar el archivo de configuración del conjunto de datos para la segmentación de Carparts?
El archivo de configuración del conjunto de datos, carparts-seg.yamlque contiene detalles sobre las rutas y clases de los conjuntos de datos, se encuentra en el repositorio GitHub Ultralytics : carparts-seg.yaml.
¿Por qué utilizar el conjunto de datos de segmentación de Carparts?
Este conjunto de datos ofrece información rica y anotada, crucial para desarrollar modelos de segmentación precisos para aplicaciones de automoción. Su diversidad ayuda a mejorar la solidez y el rendimiento de los modelos en situaciones reales como la inspección automatizada de vehículos, la mejora de los sistemas de seguridad y el apoyo a la tecnología de conducción autónoma. El uso de conjuntos de datos de alta calidad y específicos de un campo como este acelera el desarrollo de la IA.
