Jeu de données de segmentation de pièces automobiles

Le jeu de données de segmentation de pièces automobiles est une collection organisée d'images et de vidéos conçue pour des applications de computer vision, se concentrant spécifiquement sur les segmentation tasks. Ce jeu de données fournit un ensemble diversifié de visuels capturés sous de multiples perspectives, offrant des exemples annotated précieux pour entraîner et tester des modèles de segmentation.

Que tu travailles sur de la automotive research, que tu développes des solutions d'IA pour la maintenance de véhicules ou que tu explores des applications de computer vision, le jeu de données de segmentation de pièces automobiles constitue une ressource précieuse pour améliorer la accuracy et l'efficacité de tes projets en utilisant des modèles comme Ultralytics YOLO.

Structure du jeu de données

La distribution des données au sein du jeu de données de segmentation de pièces automobiles est organisée comme suit :

• Ensemble d'entraînement : Comprend 3156 images, chacune accompagnée de ses annotations correspondantes. Cet ensemble est utilisé pour training le deep learning model.
• Ensemble de test : Comprend 276 images, chacune appariée avec ses annotations respectives. Cet ensemble est utilisé pour évaluer la performance du modèle après l'entraînement en utilisant des test data.
• Ensemble de validation : Constitué de 401 images, chacune avec les annotations correspondantes. Cet ensemble est utilisé pendant l'entraînement pour ajuster les hyperparameters et prévenir le overfitting en utilisant des validation data.

Applications

La segmentation de pièces automobiles trouve des applications dans divers domaines, notamment :

• Contrôle qualité automobile : Identification des défauts ou des incohérences sur les pièces de voiture pendant la fabrication (AI in Manufacturing).
• Réparation automobile : Aide aux mécaniciens pour identifier les pièces à réparer ou à remplacer.
• Catalogage e-commerce : Étiquetage et catégorisation automatiques des pièces de voiture dans les boutiques en ligne pour les plateformes e-commerce.
• Surveillance du trafic : Analyse des composants de véhicules dans les séquences de vidéosurveillance routière.
• Véhicules autonomes : Amélioration des systèmes de perception des self-driving cars pour mieux comprendre les véhicules environnants.
• Traitement des assurances : Automatisation de l'évaluation des dommages en identifiant les pièces de voiture affectées lors des déclarations d'assurance.
• Recyclage : Tri des composants de véhicules pour des processus de recyclage efficaces.
• Initiatives de ville intelligente : Contribution en données pour l'urbanisme et les systèmes de gestion du trafic au sein des Smart Cities.

En identifiant et en catégorisant avec précision différents composants de véhicules, la segmentation de pièces automobiles rationalise les processus et contribue à une efficacité et une automatisation accrues à travers ces industries.

YAML du jeu de données

Un fichier YAML (Yet Another Markup Language) définit la configuration du jeu de données, y compris les chemins, les noms de classes et d'autres détails essentiels. Pour le jeu de données de segmentation de pièces automobiles, le fichier carparts-seg.yaml est disponible à https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Tu peux en apprendre davantage sur le format YAML sur 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

Utilisation

Pour entraîner un modèle Ultralytics YOLO26 sur le jeu de données de segmentation de pièces automobiles pendant 100 epochs avec une taille d'image de 640, utilise les extraits de code suivants. Reporte-toi au Training guide du modèle pour une liste complète des arguments disponibles et explore les model training tips pour découvrir les meilleures pratiques.

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")

Exemples de données et d'annotations

Le jeu de données de segmentation de pièces automobiles inclut une gamme variée d'images et de vidéos capturées sous différents angles. Tu trouveras ci-dessous des exemples illustrant les données et leurs annotations correspondantes :

• L'image démontre la object segmentation au sein d'un exemple d'image de voiture. Les bounding boxes annotées avec des masques mettent en évidence les pièces de voiture identifiées (par exemple, les phares, la calandre).
• Le jeu de données présente une variété d'images capturées dans différentes conditions (emplacements, éclairage, densités d'objets), fournissant une ressource complète pour entraîner des modèles de segmentation de pièces automobiles robustes.
• Cet exemple souligne la complexité du jeu de données et l'importance de high-quality data pour les tâches de computer vision, surtout dans des domaines spécialisés comme l'analyse de composants automobiles. Des techniques comme le data augmentation peuvent encore améliorer la généralisation du modèle.

Citations et remerciements

Si tu utilises le jeu de données de segmentation de pièces automobiles dans tes recherches ou tes efforts de développement, merci de citer la source originale :

   @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 },
    }

Nous reconnaissons la contribution de Gianmarco Russo et de l'équipe Roboflow pour la création et la maintenance de ce précieux jeu de données pour la communauté de la computer vision. Pour plus de jeux de données, visite la Ultralytics Datasets collection.

FAQ

Qu'est-ce que le jeu de données de segmentation de pièces automobiles ?

Le jeu de données de segmentation de pièces automobiles est une collection spécialisée d'images et de vidéos pour entraîner des modèles de computer vision à effectuer une segmentation sur des pièces de voiture. Il inclut des visuels divers avec des annotations détaillées, adaptés aux applications d'IA automobile.

Comment puis-je utiliser le jeu de données de segmentation de pièces automobiles avec Ultralytics YOLO26 ?

Tu peux entraîner un modèle de segmentation Ultralytics YOLO26 en utilisant ce jeu de données. Charge un modèle pré-entraîné (par exemple, yolo26n-seg.pt) et lance l'entraînement en utilisant les exemples Python ou CLI fournis, en te référant au fichier de configuration carparts-seg.yaml. Consulte le Training Guide pour des instructions détaillées.

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)

Quelles sont les applications de la segmentation de pièces automobiles ?

La segmentation de pièces automobiles est utile dans :

• Contrôle qualité automobile : S'assurer que les pièces respectent les normes (AI in Manufacturing).
• Réparation automobile : Identifier les pièces nécessitant une intervention.
• E-commerce : Cataloguer les pièces en ligne.
• Véhicules autonomes : Améliorer la perception du véhicule (AI in Automotive).
• Assurance : Évaluer automatiquement les dommages sur un véhicule.
• Recyclage : Trier les pièces efficacement.

Où puis-je trouver le fichier de configuration du jeu de données pour la segmentation de pièces automobiles ?

Le fichier de configuration du jeu de données, carparts-seg.yaml, qui contient des détails sur les chemins des données et les classes, se trouve dans le dépôt GitHub d'Ultralytics : carparts-seg.yaml.

Pourquoi devrais-je utiliser le jeu de données de segmentation de pièces automobiles ?

Ce jeu de données offre des données riches et annotées, cruciales pour développer des segmentation models précis pour les applications automobiles. Sa diversité aide à améliorer la robustesse et la performance du modèle dans des scénarios réels comme l'inspection automatisée des véhicules, renforçant les systèmes de sécurité et soutenant la technologie de conduite autonome. L'utilisation de jeux de données de haute qualité et spécifiques à un domaine accélère le développement de l'IA.