Ensemble de données de segmentation Carparts
L'ensemble de données Carparts Segmentation, 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, cet ensemble de données fournit un ensemble diversifié de visuels capturés sous de multiples perspectives, offrant de précieux exemples annotés pour l'entraînement et le test des 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 constitue une ressource précieuse pour améliorer la précision et l'efficacité de vos projets à l'aide de modèles tels que Ultralytics YOLO.
Regarder : PiècesAutomobiles Segmentation d'instance avec Ultralytics YOLO11.
Structure du jeu de données
La distribution des données au sein de l'ensemble de données Carparts Segmentation est organisée comme suit :
- Ensemble d'entraînement : Comprend 3 156 images, chacune accompagnée de ses annotations correspondantes. Cet ensemble est utilisé pour l'entraînement du modèle d'apprentissage profond.
- Ensemble de test : Comprend 276 images, chacune 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 : Se compose de 401 images, chacune ayant des annotations correspondantes. Cet ensemble est utilisé pendant la formation pour ajuster les hyperparamètres et empêcher le surapprentissage à l'aide de données de validation.
Applications
La segmentation Carparts trouve des applications dans divers domaines, notamment :
- Contrôle de la qualité automobile : Identification des défauts ou des incohérences dans les pièces automobiles pendant la fabrication (IA dans la fabrication).
- Réparation automobile : Aide les mécaniciens à identifier les pièces à réparer ou à remplacer.
- Catalogage de commerce électronique : Balisage et catégorisation automatiques des pièces automobiles dans les boutiques en ligne pour les plateformes de commerce électronique.
- Surveillance du trafic : Analyse des composants des véhicules dans les séquences de surveillance du trafic.
- Véhicules autonomes : Améliorer les systèmes de perception des voitures autonomes afin de mieux comprendre les véhicules environnants.
- Traitement des assurances : Automatisation de l’évaluation des dommages en identifiant les pièces automobiles touchées lors des réclamations d’assurance.
- Recyclage : Tri des composants des véhicules pour des processus de recyclage efficaces.
- Initiatives de villes intelligentes : Contribution de données pour la planification urbaine et les systèmes de gestion du trafic au sein des villes intelligentes.
En identifiant et en catégorisant 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.
YAML du jeu de données
A YAML Le fichier (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 Carparts Segmentation, le carparts-seg.yaml fichier est disponible sur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Vous pouvez en apprendre davantage sur le format YAML sur 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 (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 YOLO11 sur le jeu de données Carparts Segmentation pendant 100 epochs avec une taille d'image de 640, utilisez les extraits de code suivants. Consultez le guide d'entraînement du modèle pour obtenir une liste complète des arguments disponibles et explorez les conseils d'entraînement du modèle pour connaître les meilleures pratiques.
Exemple d'entraînement
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
Exemple de données et d'annotations
L'ensemble de données Carparts Segmentation comprend un large éventail d'images et de vidéos capturées sous différents angles. Vous trouverez ci-dessous des exemples illustrant les données et leurs annotations correspondantes :
- L'image illustre la segmentation d'objets dans un échantillon d'image de voiture. Les boîtes englobantes annotées avec des masques mettent en évidence les parties de la voiture identifiées (par exemple, les phares, la calandre).
- L'ensemble de données présente une variété d'images capturées dans différentes conditions (lieux, éclairage, densités d'objets), offrant une ressource complète pour la formation de modèles robustes de segmentation des pièces automobiles.
- Cet exemple souligne la complexité de l'ensemble de données et l'importance de données de haute qualité pour les tâches de vision par ordinateur, en particulier dans les domaines spécialisés comme l'analyse des composants automobiles. Des techniques comme l'augmentation des données peuvent améliorer davantage la généralisation du modèle.
Citations et remerciements
Si vous utilisez l'ensemble de données Carparts Segmentation dans 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 reconnaissons la contribution de Gianmarco Russo et de l'équipe Roboflow dans la création et 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 données Ultralytics.
FAQ
Qu'est-ce que l'ensemble de données de segmentation Carparts ?
L'ensemble de données Carparts Segmentation est une collection spécialisée d'images et de vidéos destinée à l'entraînement de modèles de vision par ordinateur pour effectuer la segmentation des pièces automobiles. Il comprend divers visuels avec des annotations détaillées, adaptés aux applications d'IA automobile.
Comment puis-je utiliser l’ensemble de données de segmentation Carparts avec Ultralytics YOLO11 ?
Vous pouvez entraîner un Ultralytics YOLO11 modèle de segmentation en utilisant cet ensemble de données. Chargez un modèle pré-entraîné (par exemple, yolo11n-seg.pt) et lancez l'entraînement en utilisant les exemples Python ou CLI fournis, en référençant le carparts-seg.yaml fichier de configuration. Consultez le Guide d'entraînement pour des instructions détaillées.
Extrait d'exemple d'entraînement
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 automobiles ?
La segmentation Carparts est utile dans :
- Contrôle de la qualité automobile : S’assurer que les pièces répondent aux normes (IA dans la fabrication).
- Réparation automobile : Identification des pièces nécessitant un entretien.
- Commerce électronique : Catalogage de pièces en ligne.
- Véhicules autonomes : Amélioration de la perception des véhicules (IA dans l’automobile).
- Assurance : Évaluation automatique des dommages causés aux véhicules.
- Recyclage : Tri efficace des pièces.
Où puis-je trouver le fichier de configuration de l'ensemble de données pour la segmentation Carparts ?
Le fichier de configuration de l'ensemble de données, carparts-seg.yaml, qui contient des détails sur les chemins d'accès et les classes de l'ensemble de données, se trouve dans le dépôt GitHub Ultralytics : carparts-seg.yaml.
Pourquoi devrais-je 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 contribue à 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.
