Ensemble de données de segmentation Carparts
L'ensemble de données de segmentation Carparts, disponible sur Roboflow Universe, est une collection d'images et de vidéos conçue pour les applications de vision par ordinateur, en particulier pour les tâches de segmentation. Hébergé sur Roboflow Universe, ce jeu de données fournit un ensemble diversifié de visuels capturés à partir de multiples perspectives, offrant des exemples annotés précieux pour l'entraînement et le test de modèles de segmentation.
Que vous travailliez sur la recherche automobile, que vous développiez des solutions d'IA pour la maintenance des véhicules ou que vous exploriez des applications de vision par ordinateur, l'ensemble de données de segmentation Carparts est une ressource précieuse pour améliorer la précision et l'efficacité de vos projets en utilisant des modèles tels que Ultralytics YOLO.
Regarder : Carparts Segmentation des instances avec Ultralytics YOLO11.
Structure de l'ensemble de données
La distribution des données dans l'ensemble de données de segmentation Carparts est organisée comme suit :
- Ensemble d'entraînement: Comprend 3156 images, chacune accompagnée des annotations correspondantes. Cet ensemble est utilisé pour l'entraînement du modèle d' apprentissage profond.
- Ensemble de test: Comprend 276 images, chaque image étant associée à ses annotations respectives. Cet ensemble est utilisé pour évaluer les performances du modèle après l'entraînement à l'aide de données de test.
- Ensemble de validation: Il s'agit de 401 images, chacune ayant des annotations correspondantes. Cet ensemble est utilisé pendant la formation pour ajuster les hyperparamètres et éviter le surajustement à l'aide des données de validation.
Applications
La segmentation des pièces détachées trouve des applications dans divers domaines, notamment :
- Contrôle de la qualité automobile: Identification des défauts ou des incohérences dans les pièces automobiles au cours de la fabrication(AI in Manufacturing).
- Réparation automobile: Aider les mécaniciens à identifier les pièces à réparer ou à remplacer.
- Catalogage pour le commerce électronique: Étiquetage et catégorisation automatiques des pièces automobiles dans les magasins en ligne pour les plateformes de commerce électronique.
- Surveillance du trafic: Analyse des composants des véhicules dans les images de surveillance du trafic.
- Véhicules autonomes: Améliorer les systèmes de perception des voitures autonomes pour mieux comprendre les véhicules environnants.
- Traitement des dossiers d'assurance: Automatisation de l'évaluation des dommages en identifiant les pièces automobiles concernées lors des déclarations de sinistre.
- Recyclage: Tri des composants des véhicules pour des processus de recyclage efficaces.
- Initiatives de villes intelligentes: Fournir des données pour la planification urbaine et les systèmes de gestion du trafic dans les villes intelligentes.
En identifiant et en classant avec précision les différents composants des véhicules, la segmentation des pièces automobiles rationalise les processus et contribue à accroître l'efficacité et l'automatisation dans ces secteurs.
Jeu de données YAML
A YAML (Yet Another Markup Language) définit la configuration du jeu de données, y compris les chemins d'accès, les noms de classe et d'autres détails essentiels. Pour le jeu de données Carparts Segmentation, le fichier carparts-seg.yaml est disponible à l'adresse suivante https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Vous pouvez en savoir plus sur le format YAML à l'adresse suivante 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
Utilisation
Pour former un Ultralytics YOLO11 sur l'ensemble de données Carparts Segmentation pour 100 époques avec une taille d'image de 640, utilisez les extraits de code suivants. Reportez-vous au guide de formation de modèle pour obtenir une liste complète des arguments disponibles et explorez les conseils de formation de modèle pour connaître les meilleures pratiques.
Exemple de train
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
Exemples de données et d'annotations
Le jeu de données Carparts Segmentation comprend un large éventail d'images et de vidéos capturées à partir de différents points de vue. Vous trouverez ci-dessous des exemples illustrant les données et les annotations correspondantes :
- L'image montre la segmentation d'un objet dans un échantillon d'image de voiture. Les boîtes de délimitation annotées avec des masques mettent en évidence les parties identifiées de la voiture (par exemple, les phares, la calandre).
- L'ensemble de données comprend une variété d'images capturées dans des conditions différentes (emplacements, éclairage, densités d'objets), fournissant une ressource complète pour l'apprentissage de modèles robustes de segmentation des pièces de voiture.
- Cet exemple souligne la complexité de l'ensemble de données et l'importance de disposer de données de haute qualité pour les tâches de vision par ordinateur, en particulier dans des domaines spécialisés tels que l'analyse des composants automobiles. Des techniques telles que l'augmentation des données peuvent encore améliorer la généralisation des modèles.
Citations et remerciements
Si vous utilisez l'ensemble de données Carparts Segmentation dans le cadre de vos travaux de recherche ou de développement, veuillez 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 },
journal = { Roboflow Universe },
publisher = { Roboflow },
year = { 2023 },
month = { nov },
note = { visited on 2024-01-24 },
}
Nous remercions Gianmarco Russo et l'équipe de Roboflow pour leur contribution à la création et à la maintenance de cet ensemble de données précieux pour la communauté de la vision par ordinateur. Pour plus d'ensembles de données, visitez la collection d'ensembles de donnéesUltralytics .
FAQ
Qu'est-ce que l'ensemble de données de segmentation Carparts ?
Le Carparts Segmentation Dataset est une collection spécialisée d'images et de vidéos pour l'entraînement des modèles de vision artificielle à la segmentation des pièces de voiture. Il comprend des images diverses avec des annotations détaillées, adaptées aux applications d'intelligence artificielle dans le domaine de l'automobile.
Comment puis-je utiliser l'ensemble de données de segmentation Carparts avec Ultralytics YOLO11 ?
Vous pouvez former un Ultralytics YOLO11 modèle de segmentation à l'aide de cet ensemble de données. Chargez un modèle pré-entraîné (par exemple, yolo11n-seg.pt) et commencez la formation en utilisant les exemples Python ou CLI fournis, en vous référant à l'outil carparts-seg.yaml fichier de configuration. Vérifier le fichier de configuration Guide de formation pour des instructions détaillées.
Exemple d'extrait de train
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
Quelles sont les applications de la segmentation des pièces détachées ?
Carparts La segmentation est utile pour :
- Contrôle de la qualité automobile: S'assurer que les pièces répondent aux normes(AI in Manufacturing).
- Réparation automobile: Identifier les pièces à réparer.
- Commerce électronique: Catalogage de pièces en ligne.
- Véhicules autonomes: Améliorer la perception du véhicule(AI in Automotive).
- Assurance: Évaluation automatique des dommages subis par le véhicule.
- Recyclage: Trier efficacement les pièces.
Où puis-je trouver le fichier de configuration du jeu de données pour la segmentation Carparts ?
Le fichier de configuration du jeu de données, carparts-seg.yamlqui contient des détails sur les chemins et les classes du jeu de données, se trouve dans le dépôt Ultralytics GitHub : carparts-seg.yaml.
Pourquoi utiliser l'ensemble de données de segmentation Carparts ?
Cet ensemble de données offre des données riches et annotées essentielles au développement de modèles de segmentation précis pour les applications automobiles. Sa diversité permet d'améliorer la robustesse et les performances des modèles dans des scénarios réels tels que l'inspection automatisée des véhicules, l'amélioration des systèmes de sécurité et la prise en charge de la technologie de conduite autonome. L'utilisation d'ensembles de données de haute qualité et spécifiques à un domaine comme celui-ci accélère le développement de l'IA.
