Link to this sectionDataset de segmentación de piezas de automóvil#

El dataset 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 dataset proporciona un conjunto diverso de recursos 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 dataset de segmentación de piezas de automóvil sirve como un recurso valioso para mejorar la precisión y eficiencia de tus proyectos utilizando modelos como Ultralytics YOLO.

Link to this sectionEstructura del dataset#

La distribución de datos dentro del dataset de segmentación de piezas de automóvil se organiza de la siguiente manera:

• Training set: Includes 3516 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Conjunto de prueba: Consta de 401 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 276 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.

Link to this sectionAplicaciones#

La segmentación de piezas de automóvil encuentra aplicaciones en diversos dominios, incluyendo:

• Control de calidad automotriz: Identificación de defectos o inconsistencias en piezas de automóviles durante la fabricación (IA en la fabricación).
• Reparación de automóviles: Asistencia a mecánicos en la identificación de piezas para su reparación o sustitución.
• Catalogación en comercio electrónico: Etiquetado y categorización automática de piezas de automóviles en tiendas online para plataformas de e-commerce.
• Monitorización del tráfico: Análisis de componentes de vehículos en grabaciones de vigilancia de 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 identificando piezas de coche afectadas durante las reclamaciones al seguro.
• Reciclaje: Clasificación de componentes de vehículos para procesos de reciclaje eficientes.
• Iniciativas de Smart City: Contribución de datos para la planificación urbana y los sistemas de gestión del tráfico dentro de Smart Cities.

Al identificar y categorizar con precisión los diferentes componentes del vehículo, la segmentación de piezas de automóvil agiliza los procesos y contribuye a una mayor eficiencia y automatización en estas industrias.

Link to this sectionYAML del dataset#

Un archivo YAML (Yet Another Markup Language) define la configuración del dataset, incluyendo rutas, nombres de clases y otros detalles esenciales. Para el dataset 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 aprender más 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.zip

Link to this sectionUso#

Para entrenar un modelo Ultralytics YOLO26 en el dataset de segmentación de piezas de automóvil 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 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")

Link to this sectionEjemplos de datos y anotaciones#

El dataset de segmentación de piezas de automóvil incluye una amplia gama de imágenes y vídeos capturados desde varias 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 coche. Las cajas delimitadoras anotadas con máscaras resaltan las piezas de coche identificadas (por ejemplo, faros, rejilla).
• El dataset presenta una variedad de imágenes capturadas bajo diferentes condiciones (ubicaciones, iluminación, densidades de objetos), proporcionando un recurso completo para entrenar modelos robustos de segmentación de piezas de coche.
• Este ejemplo subraya la complejidad del dataset y la importancia de contar con datos de alta calidad para 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.

Link to this sectionCitas y agradecimientos#

Si utilizas el dataset 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 },
    }

Agradecemos la contribución de Gianmarco Russo y el equipo de Roboflow en la creación y mantenimiento de este valioso dataset para la comunidad de visión artificial. Para obtener más datasets, visita la colección de Datasets de Ultralytics.

Link to this sectionFAQ#

Link to this section¿Qué es el dataset de segmentación de piezas de automóvil?#

El dataset 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 coche. Incluye diversos recursos visuales con anotaciones detalladas, adecuados para aplicaciones de IA automotriz.

Link to this section¿Cómo puedo utilizar el dataset de segmentación de piezas de automóvil con Ultralytics YOLO26?#

Puedes entrenar un modelo de segmentación Ultralytics YOLO26 utilizando este dataset. 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)

Link to this section¿Cuáles son algunas aplicaciones de la segmentación de piezas de automóvil?#

La segmentación de piezas de automóvil es útil en:

• Control de calidad automotriz: Asegurar que las piezas cumplan con los estándares (IA en la fabricación).
• Reparación de automóviles: Identificación de piezas que necesitan servicio.
• E-commerce: Catalogación de piezas online.
• Vehículos autónomos: Mejora de la percepción del vehículo (IA en automoción).
• Seguros: Evaluación automática de daños en vehículos.
• Reciclaje: Clasificación eficiente de piezas.

Link to this section¿Dónde puedo encontrar el archivo de configuración del dataset para la segmentación de piezas de automóvil?#

El archivo de configuración del dataset, carparts-seg.yaml, que contiene detalles sobre las rutas y clases del dataset, se encuentra en el repositorio de GitHub de Ultralytics: carparts-seg.yaml.

Link to this section¿Por qué debería utilizar el dataset de segmentación de piezas de automóvil?#

Este dataset 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, mejorando los sistemas de seguridad y apoyando la tecnología de conducción autónoma. El uso de datasets de alta calidad y específicos de un dominio como este acelera el desarrollo de la IA.