Dataset di segmentazione di componenti auto

Il dataset di segmentazione di componenti auto è una raccolta curata di immagini e video progettata per applicazioni di computer vision, con una particolare attenzione ai task di segmentazione. Questo dataset fornisce una serie diversificata di elementi visivi acquisiti da molteplici prospettive, offrendo preziosi esempi annotati per l'addestramento e il testing di modelli di segmentazione.

Che tu stia lavorando alla ricerca automobilistica, sviluppando soluzioni IA per la manutenzione dei veicoli o esplorando applicazioni di computer vision, il dataset di segmentazione di componenti auto rappresenta una risorsa preziosa per migliorare l'accuratezza e l'efficienza dei tuoi progetti utilizzando modelli come Ultralytics YOLO.

Struttura del dataset

La distribuzione dei dati all'interno del dataset di segmentazione di componenti auto è organizzata come segue:

• Training set: Includes 3156 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Testing set: Comprende 276 immagini, ognuna abbinata alle relative annotazioni. Questo set viene utilizzato per valutare le prestazioni del modello dopo l'addestramento tramite test data.
• Validation set: Consiste in 401 immagini, ciascuna dotata di annotazioni corrispondenti. Questo set viene utilizzato durante l'addestramento per regolare gli iperparametri e prevenire l'overfitting utilizzando dati di validazione.

Applicazioni

La segmentazione di componenti auto trova applicazione in diversi ambiti, tra cui:

• Controllo qualità automobilistico: Identificazione di difetti o incongruenze nei componenti auto durante la produzione (IA nella produzione).
• Riparazione auto: Supporto ai meccanici nell'identificazione di componenti da riparare o sostituire.
• Catalogazione e-commerce: Etichettatura e categorizzazione automatica dei componenti auto nei negozi online per piattaforme di e-commerce.
• Monitoraggio del traffico: Analisi dei componenti dei veicoli nei filmati di sorveglianza del traffico.
• Veicoli autonomi: Miglioramento dei sistemi di percezione delle auto a guida autonoma per comprendere meglio i veicoli circostanti.
• Elaborazione assicurativa: Automatizzazione della valutazione dei danni tramite l'identificazione dei componenti auto coinvolti durante le richieste di risarcimento assicurativo.
• Riciclaggio: Smistamento dei componenti dei veicoli per processi di riciclaggio efficienti.
• Iniziative Smart City: Contributo con dati per la pianificazione urbana e i sistemi di gestione del traffico all'interno delle Smart Cities.

Identificando e categorizzando accuratamente i diversi componenti dei veicoli, la segmentazione di componenti auto ottimizza i processi e contribuisce a una maggiore efficienza e automazione in questi settori.

YAML del dataset

Un file YAML (Yet Another Markup Language) definisce la configurazione del dataset, inclusi percorsi, nomi delle classi e altri dettagli essenziali. Per il dataset di segmentazione di componenti auto, il file carparts-seg.yaml è disponibile su https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Puoi imparare di più sul formato YAML su 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

Utilizzo

Per addestrare un modello Ultralytics YOLO26 sul dataset di segmentazione di componenti auto per 100 epoche con una dimensione dell'immagine di 640, usa i seguenti frammenti di codice. Fai riferimento alla guida all'addestramento del modello per un elenco completo degli argomenti disponibili ed esplora i suggerimenti per l'addestramento del modello per le migliori pratiche.

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")

Dati ed annotazioni di esempio

Il dataset di segmentazione di componenti auto include una vasta gamma di immagini e video catturati da varie prospettive. Di seguito sono riportati esempi che mostrano i dati e le relative annotazioni:

• L'immagine mostra la segmentazione degli oggetti all'interno di un campione di immagine di un'auto. Bounding box annotati con maschere evidenziano i componenti dell'auto identificati (es. fari, griglia).
• Il dataset presenta una varietà di immagini catturate in diverse condizioni (posizioni, illuminazione, densità degli oggetti), fornendo una risorsa completa per l'addestramento di modelli robusti di segmentazione di componenti auto.
• Questo esempio sottolinea la complessità del dataset e l'importanza di dati di alta qualità per i task di computer vision, specialmente in domini specializzati come l'analisi dei componenti automobilistici. Tecniche come l'aumento dei dati possono ulteriormente migliorare la generalizzazione del modello.

Citazioni e ringraziamenti

Se utilizzi il dataset di segmentazione di componenti auto nei tuoi sforzi di ricerca o sviluppo, ti preghiamo di citare la fonte 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 },
    }

Riconosciamo il contributo di Gianmarco Russo e del team di Roboflow nella creazione e nel mantenimento di questo prezioso dataset per la comunità di computer vision. Per altri dataset, visita la collezione Ultralytics Datasets.

FAQ

Cos'è il dataset di segmentazione di componenti auto?

Il dataset di segmentazione di componenti auto è una raccolta specializzata di immagini e video per l'addestramento di modelli di computer vision per eseguire la segmentazione sui componenti auto. Include elementi visivi diversificati con annotazioni dettagliate, adatti per applicazioni IA automobilistiche.

Come posso utilizzare il dataset di segmentazione di componenti auto con Ultralytics YOLO26?

Puoi addestrare un modello di segmentazione Ultralytics YOLO26 utilizzando questo dataset. Carica un modello pre-addestrato (es. yolo26n-seg.pt) e avvia l'addestramento utilizzando gli esempi Python o CLI forniti, facendo riferimento al file di configurazione carparts-seg.yaml. Controlla la guida all'addestramento per istruzioni dettagliate.

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)

Quali sono alcune applicazioni della segmentazione di componenti auto?

La segmentazione di componenti auto è utile per:

• Controllo qualità automobilistico: Garantire che i componenti soddisfino gli standard (IA nella produzione).
• Riparazione auto: Identificare i componenti che necessitano di manutenzione.
• E-commerce: Catalogare i componenti online.
• Veicoli autonomi: Migliorare la percezione del veicolo (IA automobilistica).
• Assicurazione: Valutare automaticamente i danni ai veicoli.
• Riciclaggio: Smistare i componenti in modo efficiente.

Dove posso trovare il file di configurazione del dataset per la segmentazione di componenti auto?

Il file di configurazione del dataset, carparts-seg.yaml, che contiene dettagli sui percorsi e sulle classi del dataset, si trova nel repository GitHub di Ultralytics: carparts-seg.yaml.

Perché dovrei utilizzare il dataset di segmentazione di componenti auto?

Questo dataset offre dati ricchi e annotati, cruciali per sviluppare modelli di segmentazione accurati per applicazioni automobilistiche. La sua diversità aiuta a migliorare la robustezza e le prestazioni del modello in scenari reali come l'ispezione automatizzata dei veicoli, migliorando i sistemi di sicurezza e supportando la tecnologia di guida autonoma. Utilizzare dataset di alta qualità e specifici per il dominio come questo accelera lo sviluppo dell'IA.