Link to this sectionJeu de données de segmentation Carparts#

Le jeu de données de segmentation Carparts est une collection organisée d'images et de vidéos conçue pour des applications de vision par ordinateur, se concentrant spécifiquement sur les tâches de segmentation. Ce jeu de données fournit un ensemble varié de visuels capturés sous de multiples perspectives, offrant des exemples annotés précieux pour l'entraînement et le test de modèles de segmentation.

Que tu travailles sur la recherche automobile, le développement de solutions IA pour la maintenance des véhicules ou l'exploration d'applications de vision par ordinateur, le jeu de données de segmentation Carparts constitue une ressource précieuse pour améliorer la précision et l'efficacité de tes projets en utilisant des modèles comme Ultralytics YOLO.

Link to this sectionStructure du jeu de données#

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

• Training set: Includes 3516 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Ensemble de test : Comprend 401 images, chacune associée à ses annotations respectives. Cet ensemble est utilisé pour évaluer les performances du modèle après l'entraînement en utilisant des données de test.
• Ensemble de validation : Se compose de 276 images, chacune possédant les annotations correspondantes. Cet ensemble est utilisé pendant l'entraînement pour ajuster les hyperparamètres et prévenir le surapprentissage en utilisant des données de validation.

Link to this sectionApplications#

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

• Contrôle qualité automobile : Identifier les défauts ou les incohérences dans les pièces automobiles lors de la fabrication (IA dans la fabrication).
• Réparation automobile : Aider les mécaniciens à identifier les pièces à réparer ou à remplacer.
• Catalogage e-commerce : Étiqueter et catégoriser automatiquement les pièces automobiles dans les boutiques en ligne pour les plateformes d'e-commerce.
• Surveillance du trafic : Analyser les composants des véhicules dans les séquences de surveillance du trafic.
• Véhicules autonomes : Améliorer les 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 Smart City : Contribuer aux données pour la planification urbaine et les systèmes de gestion du trafic au sein des Smart Cities.

En identifiant et en catégorisant précisément les différents composants des véhicules, la segmentation des pièces automobiles rationalise les processus et contribue à une efficacité et une automatisation accrues dans ces secteurs.

Link to this sectionYAML du jeu de données#

Un fichier YAML (Yet Another Markup Language) définit la configuration du jeu de données, y compris les chemins, les noms des classes et d'autres détails essentiels. Pour le jeu de données de segmentation Carparts, 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') 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 sectionUtilisation#

Pour entraîner un modèle Ultralytics YOLO26 sur le jeu de données de segmentation Carparts pendant 100 époques avec une taille d'image de 640, utilise les extraits de code suivants. Reporte-toi au Guide d'entraînement du modèle pour obtenir une liste complète des arguments disponibles et explore les conseils pour l'entraînement de 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")

Link to this sectionExemples de données et d'annotations#

Le jeu de données de segmentation Carparts inclut une gamme variée d'images et de vidéos capturées sous diverses perspectives. Tu trouveras ci-dessous des exemples présentant les données et leurs annotations correspondantes :

• L'image démontre la segmentation d'objets au sein d'un échantillon d'image de voiture. Des boîtes englobantes annotées avec des masques mettent en évidence les pièces automobiles 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 données de haute qualité pour les tâches de vision par ordinateur, en particulier dans des domaines spécialisés comme l'analyse des composants automobiles. Des techniques comme l'augmentation de données peuvent encore améliorer la généralisation du modèle.

Link to this sectionCitations 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 plus de jeux de données, visite la collection de jeux de données Ultralytics.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données de segmentation Carparts ?#

Le jeu de données de segmentation Carparts est une collection spécialisée d'images et de vidéos destinée à l'entraînement de modèles de vision par ordinateur pour effectuer la segmentation de pièces automobiles. Il inclut des visuels variés avec des annotations détaillées, adaptés aux applications IA dans le domaine automobile.

Link to this sectionComment puis-je utiliser le jeu de données de segmentation Carparts 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 référençant le fichier de configuration carparts-seg.yaml. Consulte le Guide d'entraînement 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)

Link to this sectionQuelles sont les applications de la segmentation Carparts ?#

La segmentation Carparts est utile pour :

• Contrôle qualité automobile : S'assurer que les pièces respectent les normes (IA dans la fabrication).
• Réparation automobile : Identifier les pièces nécessitant une intervention.
• E-commerce : Cataloguer les pièces en ligne.
• Véhicules autonomes : Améliorer la perception des véhicules (IA dans l'automobile).
• Assurance : Évaluer automatiquement les dommages sur les véhicules.
• Recyclage : Trier efficacement les pièces.

Link to this sectionOù 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, est situé dans le dépôt GitHub d'Ultralytics : carparts-seg.yaml.

Link to this sectionPourquoi devrais-je utiliser le jeu de données de segmentation Carparts ?#

Ce jeu de données offre des données riches et annotées, cruciales pour développer des modèles de segmentation précis pour les applications automobiles. Sa diversité aide à améliorer la robustesse et les performances des modèles dans des scénarios réels tels que 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 au domaine comme celui-ci accélère le développement de l'IA.