Dataset di segmentazione Carparts
Il set di dati Carparts Segmentation, disponibile su Roboflow Universe, è una raccolta curata di immagini e video progettata per applicazioni di computer vision, concentrandosi in particolare sulle attività di segmentazione. Ospitato su Roboflow Universe, questo set di dati fornisce un insieme diversificato di immagini acquisite da molteplici prospettive, offrendo preziosi esempi annotati per l'addestramento e il test di modelli di segmentazione.
Che tu stia lavorando alla ricerca automobilistica, sviluppando soluzioni di IA per la manutenzione dei veicoli o esplorando applicazioni di computer vision, il Carparts Segmentation Dataset funge da risorsa preziosa per migliorare l'accuratezza e l'efficienza dei tuoi progetti utilizzando modelli come Ultralytics YOLO.
Guarda: Componenti auto Segmentazione delle istanze con Ultralytics YOLO11.
Struttura del set di dati
La distribuzione dei dati all'interno del dataset Carparts Segmentation è organizzata come segue:
- Set di addestramento: Include 3156 immagini, ciascuna accompagnata dalle relative annotazioni. Questo set viene utilizzato per l'addestramento del modello di deep learning.
- Set di testing: Comprende 276 immagini, ognuna abbinata alle rispettive annotazioni. Questo set viene utilizzato per valutare le prestazioni del modello dopo l'addestramento utilizzando dati di test.
- Set di validazione: Consiste di 401 immagini, ognuna con annotazioni corrispondenti. Questo set viene utilizzato durante l'addestramento per ottimizzare gli iperparametri e prevenire l'overfitting utilizzando i dati di validazione.
Applicazioni
La segmentazione Carparts trova applicazioni in vari ambiti, tra cui:
- Controllo qualità nel settore automobilistico: Identificazione di difetti o incongruenze nelle parti delle auto durante la produzione (AI nella produzione).
- Riparazione auto: Assistenza ai meccanici nell'identificazione delle parti da riparare o sostituire.
- Catalogazione E-commerce: Tagging e categorizzazione automatica di componenti auto in negozi online per piattaforme di e-commerce.
- Monitoraggio del traffico: Analisi dei componenti dei veicoli nelle riprese di sorveglianza del traffico.
- Veicoli autonomi: Migliorano i sistemi di percezione delle auto a guida autonoma per comprendere meglio i veicoli circostanti.
- Gestione delle assicurazioni: Automatizza la valutazione dei danni identificando le parti dell'auto interessate durante i sinistri assicurativi.
- Riciclaggio: Smistamento dei componenti dei veicoli per processi di riciclaggio efficienti.
- Iniziative per le Smart City: Fornire dati per la pianificazione urbana e i sistemi di gestione del traffico all'interno delle Smart Cities.
Identificando e classificando accuratamente i diversi componenti dei veicoli, la segmentazione delle parti di automobili semplifica i processi e contribuisce all'aumento dell'efficienza e dell'automazione in questi settori.
YAML del set di dati
A YAML Il file (Yet Another Markup Language) definisce la configurazione del dataset, inclusi i percorsi, i nomi delle classi e altri dettagli essenziali. Per il dataset Carparts Segmentation, il carparts-seg.yaml il file è disponibile all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Puoi trovare maggiori informazioni sul formato YAML su 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
Utilizzo
Per addestrare un modello Ultralytics YOLO11 sul dataset Carparts Segmentation per 100 epoche con una dimensione dell'immagine di 640, utilizza i seguenti frammenti di codice. Consulta la guida al Training del modello per un elenco completo degli argomenti disponibili ed esplora i suggerimenti per l'addestramento del modello per le migliori pratiche.
Esempio di addestramento
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
Dati di esempio e annotazioni
Il set di dati Carparts Segmentation include una vasta gamma di immagini e video acquisiti da diverse prospettive. Di seguito sono riportati esempi che mostrano i dati e le relative annotazioni:
- L'immagine dimostra la segmentazione degli oggetti all'interno di un esempio di immagine di un'auto. I riquadri di delimitazione annotati con maschere evidenziano le parti dell'auto identificate (ad esempio, fari, griglia).
- Il dataset presenta una varietà di immagini acquisite in diverse condizioni (luoghi, illuminazione, densità degli oggetti), fornendo una risorsa completa per l'addestramento di modelli di segmentazione di parti di automobili robusti.
- Questo esempio sottolinea la complessità del dataset e l'importanza di dati di alta qualità per i compiti di computer vision, specialmente in domini specializzati come l'analisi dei componenti automobilistici. Tecniche come l'data augmentation possono migliorare ulteriormente la generalizzazione del modello.
Citazioni e ringraziamenti
Se utilizzi il dataset Carparts Segmentation nei tuoi progetti 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 },
journal = { Roboflow Universe },
publisher = { Roboflow },
year = { 2023 },
month = { nov },
note = { visited on 2024-01-24 },
}
Riconosciamo il contributo di Gianmarco Russo e del team di Roboflow nella creazione e manutenzione di questo prezioso dataset per la comunità della computer vision. Per ulteriori dataset, visita la collezione di dataset Ultralytics.
FAQ
Cos'è il Carparts Segmentation Dataset?
Il set di dati Carparts Segmentation è una raccolta specializzata di immagini e video per l'addestramento di modelli di computer vision per eseguire la segmentazione sulle parti di automobili. Include immagini diverse con annotazioni dettagliate, adatte per applicazioni di intelligenza artificiale nel settore automobilistico.
Come posso usare il Carparts Segmentation Dataset con Ultralytics YOLO11?
Puoi addestrare un Ultralytics YOLO11 modello di segmentazione utilizzando questo dataset. Carica un modello pre-addestrato (ad esempio, yolo11n-seg.pt) e avviare il training utilizzando gli esempi forniti in python o CLI, facendo riferimento al carparts-seg.yaml file di configurazione. Controlla il Guida all'Addestramento per istruzioni dettagliate.
Esempio di frammento di addestramento
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
Quali sono alcune applicazioni della segmentazione di parti di automobili?
La segmentazione Carparts è utile in:
- Controllo qualità nel settore automobilistico: Garantire che le parti soddisfino gli standard (AI nella produzione).
- Riparazione auto: Identificazione delle parti che necessitano di manutenzione.
- E-commerce: Catalogazione di componenti online.
- Veicoli autonomi: Miglioramento della percezione del veicolo (IA nel settore automobilistico).
- Assicurazioni: Valutazione automatica dei danni ai veicoli.
- Riciclaggio: Smistamento efficiente dei componenti.
Dove posso trovare il file di configurazione del dataset per la segmentazione di componenti auto (Carparts Segmentation)?
Il file di configurazione del dataset, carparts-seg.yaml, che contiene dettagli sui percorsi e le classi del dataset, si trova nel repository GitHub di Ultralytics: carparts-seg.yaml.
Perché dovrei usare il Carparts Segmentation Dataset?
Questo dataset offre dati ricchi e annotati, fondamentali per lo sviluppo di modelli di segmentazione accurati per applicazioni automobilistiche. La sua diversità aiuta a migliorare la robustezza e le prestazioni del modello in scenari del mondo reale come l'ispezione automatizzata dei veicoli, il miglioramento dei sistemi di sicurezza e il supporto della tecnologia di guida autonoma. L'utilizzo di dataset specifici per il dominio e di alta qualità come questo accelera lo sviluppo dell'IA.
