Link to this sectionDataset di segmentazione dei componenti auto#

Il dataset di segmentazione Carparts di Ultralytics fornisce 3.833 immagini annotate suddivise in 23 classi di componenti automobilistici — tra cui paraurti, portiere, luci, specchietti, cofano e bagagliaio — per l'addestramento di modelli di instance segmentation su attività di computer vision automobilistica. Acquisito da molteplici prospettive e annotato con maschere a livello di pixel, si abbina direttamente a Ultralytics YOLO per casi d'uso che vanno dal controllo qualità automobilistico e riparazione auto alla valutazione dei danni per richieste di risarcimento assicurativo e alla percezione per veicoli autonomi.

Link to this sectionStruttura del dataset#

Il dataset di segmentazione Carparts suddivide le sue 3.833 immagini come segue:

• Training set: 3.156 immagini utilizzate per il training del deep learning model.
• Validation set: 401 immagini utilizzate durante l'addestramento per regolare gli iperparametri e prevenire l'overfitting sui dati di validazione.
• Testing set: 276 immagini utilizzate per valutare il modello su dati di test dedicati dopo l'addestramento.
• Classi: 23 in totale — 22 categorie nominate di componenti auto (paraurti, portiere, luci, vetri, specchietti, cofano, portellone, bagagliaio e ruote) più una classe generica object per i componenti al di fuori di tali categorie.
• Dimensioni del download: ~133 MB.

Link to this sectionApplicazioni#

La segmentazione dei componenti auto trova applicazioni in diversi ambiti, tra cui:

• Controllo qualità automobilistico: Identificazione di difetti o incongruenze nelle parti di automobili durante la produzione (AI nella produzione).
• Riparazione auto: Assistenza ai meccanici nell'identificazione dei componenti per la riparazione o la sostituzione.
• Catalogazione e-commerce: Etichettatura e categorizzazione automatica dei componenti auto nei negozi online per piattaforme di e-commerce.
• Monitoraggio del traffico: Analisi dei componenti del veicolo nei filmati di sorveglianza del traffico.
• Veicoli autonomi: Miglioramento dei sistemi di percezione delle auto a guida autonoma per comprendere meglio i veicoli circostanti.
• Gestione delle pratiche assicurative: Automazione della valutazione dei danni identificando i componenti auto interessati durante le richieste di risarcimento assicurativo.
• Riciclaggio: Smistamento dei componenti del veicolo per processi di riciclaggio efficienti.
• Iniziative di Smart City: Fornitura di dati per la pianificazione urbana e i sistemi di gestione del traffico all'interno delle Smart Cities.

Il dataset di segmentazione Carparts completo può anche essere consultato e gestito sulla piattaforma Ultralytics.

Link to this sectionDataset YAML#

Un file YAML definisce la configurazione del dataset, inclusi percorsi, nomi delle classi e altri dettagli essenziali. Per il dataset Carparts Segmentation, 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') 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

Link to this sectionUtilizzo#

Per addestrare un modello Ultralytics YOLO26 sul dataset Carparts Segmentation 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")

Link to this sectionDati di esempio e annotazioni#

Di seguito è riportato un esempio di immagine dal dataset di segmentazione Carparts con le relative maschere di object segmentation sovrapposte, che mostra come i singoli componenti dell'auto siano delineati ed etichettati:

Il dataset copre posizioni, condizioni di illuminazione e densità di oggetti variabili, offrendo ai modelli addestrati su di esso un'esposizione alla gamma di scenari reali in cui dovranno essere in grado di generalizzare.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset di segmentazione dei componenti auto nelle tue attività di ricerca o sviluppo, cita 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 di dataset Ultralytics.

Link to this sectionFAQ#

Link to this sectionCos'è il dataset di segmentazione Carparts e come viene utilizzato in Ultralytics YOLO26?#

Il dataset di segmentazione Carparts è una raccolta curata di 3.833 immagini annotate che coprono 23 classi di componenti auto — paraurti, portiere, luci, specchietti, cofano, bagagliaio e altro — per l'addestramento e la valutazione di modelli di instance segmentation. È costruito per applicazioni di computer vision automobilistica come controllo qualità, riparazione auto e valutazione dei danni, ed è utilizzato direttamente con Ultralytics YOLO26 tramite il file di configurazione carparts-seg.yaml.

Link to this sectionQuante immagini e classi contiene il dataset di segmentazione Carparts?#

Il dataset contiene un totale di 3.833 immagini — 3.156 per il training, 401 per la validazione e 276 per il test — suddivise in 23 classi: 22 categorie nominate di componenti auto più una classe generica object per i componenti al di fuori di queste. L'intero archivio viene scaricato automaticamente come file .zip da ~133 MB al primo utilizzo.

Link to this sectionCome posso addestrare un modello Ultralytics YOLO26 sul dataset di segmentazione Carparts?#

Carica un modello di segmentazione pre-addestrato (ad es. yolo26n-seg.pt) e addestralo con la configurazione carparts-seg.yaml utilizzando gli snippet Python o CLI nella sezione Utilizzo sopra. Consulta la guida all'addestramento per l'elenco completo degli argomenti disponibili.

Link to this sectionQuali sono alcune applicazioni del dataset di segmentazione Carparts?#

La segmentazione dei componenti auto supporta il controllo qualità automobilistico, la riparazione auto, la catalogazione e-commerce, il monitoraggio del traffico, la percezione per veicoli autonomi, la valutazione dei danni assicurativi, il riciclaggio e le iniziative di smart-city — vedi la sezione Applicazioni sopra per i dettagli su ogni caso d'uso.

Link to this sectionDove posso trovare il file di configurazione del dataset per la segmentazione dei 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.

Link to this sectionPerché dovrei usare il dataset di segmentazione dei componenti auto?#

Questo dataset offre dati ricchi e annotati, fondamentali 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. L'utilizzo di dataset di alta qualità e specifici per il dominio come questo accelera lo sviluppo dell'IA.