Jeu de données de segmentation Carparts#

Le jeu de données de segmentation de pièces automobiles Ultralytics propose 3 833 images annotées réparties en 23 classes de pièces automobiles — incluant pare-chocs, portes, feux, rétroviseurs, capot et coffre — pour entraîner des modèles de segmentation d'instances sur des tâches de vision par ordinateur automobile. Capturé sous de multiples perspectives et annoté avec des masques au niveau du pixel, il s'associe directement à Ultralytics YOLO pour des cas d'usage allant du contrôle qualité automobile et de la réparation de véhicules jusqu'à l'évaluation des dommages pour assurance et la perception pour véhicules autonomes.

Structure du jeu de données#

Le jeu de données de segmentation Carparts divise ses 3 833 images comme suit :

• Ensemble d'entraînement : 3 156 images utilisées pour l'entraînement du modèle d'apprentissage profond.
• Jeu de validation : 401 images utilisées pendant l'entraînement pour ajuster les hyperparamètres et éviter le surentraînement sur les données de validation.
• Jeu de test : 276 images utilisées pour évaluer le modèle sur des données de test non vues après l'entraînement.
• Classes : 23 au total — 22 catégories de pièces automobiles nommées (pare-chocs, portes, feux, vitres, rétroviseurs, capot, hayon, coffre et roues) plus une classe fourre-tout object pour les pièces situées en dehors de ces catégories.
• Taille du téléchargement : ~133 Mo.

Applications#

La segmentation Carparts trouve des applications dans divers domaines, notamment :

• Contrôle qualité automobile : Identification des défauts ou des incohérences sur les pièces automobiles pendant la fabrication (IA dans la fabrication).
• Réparation automobile : Aider les mécaniciens à identifier les pièces à réparer ou à remplacer.
• Catalogage e-commerce : Étiquetage et catégorisation automatiques des pièces automobiles dans les boutiques en ligne pour les plateformes e-commerce.
• Surveillance du trafic : Analyser les composants des véhicules dans les séquences de surveillance du trafic.
• Véhicules autonomes : Amélioration des systèmes de perception des voitures autonomes pour mieux comprendre les véhicules environnants.
• Traitement des assurances : Automatiser l'évaluation des dommages en identifiant les pièces automobiles affectées lors des déclarations de sinistres.
• Recyclage : Trier les composants des véhicules pour des processus de recyclage efficaces.
• Initiatives de villes intelligentes : Fourniture de données pour les systèmes de planification urbaine et de gestion du trafic au sein des Villes Intelligentes.

Le jeu de données complet de segmentation de pièces automobiles peut également être parcouru et géré sur la Plateforme Ultralytics.

YAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données, incluant 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 sur 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') 3156 images
val: images/val # val images (relative to 'path') 401 images
test: images/test # test images (relative to 'path') 276 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 époques avec une taille d'image de 640, utilise les extraits de code suivants. Consulte le guide d'entraînement du modèle pour obtenir une liste complète des arguments disponibles et explore les conseils pour l'entraînement des modèles pour 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#

Voici un exemple d'image tirée du jeu de données de segmentation de pièces automobiles avec ses masques de segmentation d'objets superposés, montrant comment les différentes pièces automobiles sont détourées et étiquetées :

Le jeu de données couvre des emplacements, des conditions d'éclairage et des densités d'objets variés, offrant aux modèles entraînés une exposition à la diversité des scènes du monde réel dont ils ont besoin pour généraliser.

Citations et remerciements#

Si tu utilises le jeu de données de segmentation Carparts dans tes efforts de recherche ou 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 dans la création et la maintenance de ce précieux jeu de données pour la communauté de la vision par ordinateur. Pour découvrir d'autres jeux de données, visite la collection de jeux de données Ultralytics.

FAQ#

Qu'est-ce que le jeu de données de segmentation Carparts et comment est-il utilisé dans Ultralytics YOLO26 ?#

Le jeu de données de segmentation de pièces automobiles est une collection organisée de 3 833 images annotées couvrant 23 classes de pièces automobiles — pare-chocs, portes, feux, rétroviseurs, capot, coffre et bien d'autres — pour l'entraînement et l'évaluation de modèles de segmentation d'instances. Il est conçu pour des applications de vision par ordinateur automobile telles que le contrôle qualité, la réparation automobile et l'évaluation des dommages, et est utilisé directement avec Ultralytics YOLO26 via le fichier de configuration carparts-seg.yaml.

Combien d'images et de classes le jeu de données de segmentation Carparts contient-il ?#

Le jeu de données comprend un total de 3 833 images — 3 156 pour l'entraînement, 401 pour la validation et 276 pour le test — réparties en 23 classes : 22 catégories de pièces automobiles nommées plus une classe fourre-tout object pour les pièces en dehors de celles-ci. L'archive complète se télécharge automatiquement sous la forme d'un fichier .zip d'environ ~133 Mo lors de la première utilisation.

Comment puis-je entraîner un modèle Ultralytics YOLO26 sur le jeu de données de segmentation Carparts ?#

Charge un modèle de segmentation pré-entraîné (par exemple, yolo26n-seg.pt) et entraîne-le avec la configuration carparts-seg.yaml en utilisant les extraits Python ou CLI de la section Utilisation ci-dessus. Consulte le guide d'entraînement pour obtenir la liste complète des arguments disponibles.

Quelles sont les applications du jeu de données de segmentation Carparts ?#

La segmentation de pièces automobiles prend en charge le contrôle qualité automobile, la réparation automobile, le catalogage e-commerce, la surveillance du trafic, la perception pour véhicules autonomes, l'évaluation des dommages pour assurance, le recyclage et les initiatives de villes intelligentes — consulte la section Applications ci-dessus pour plus de détails sur chaque cas d'usage.

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

Pourquoi devrais-je utiliser le jeu de données de segmentation Carparts ?#

Ce jeu de données offre des données riches et annotées, essentielles pour développer des modèles de segmentation précis pour les applications automobiles. Sa diversité aide à améliorer la robustesse et les performances du modèle dans des scénarios du monde réel tels que l'inspection automatisée des véhicules, l'amélioration des systèmes de sécurité et le support de la technologie de conduite autonome. L'utilisation de jeux de données de haute qualité et spécifiques au domaine accélère le développement de l'IA.