Dataset di segmentazione Carparts
Il Carparts Segmentation Dataset, disponibile su Roboflow Universe, è una raccolta curata di immagini e video progettati per applicazioni di computer vision, in particolare per compiti di segmentazione. Ospitato su Roboflow Universe, questo dataset fornisce un insieme diversificato di immagini catturate da più prospettive, offrendo preziosi esempi annotati per l'addestramento e il test dei modelli di segmentazione.
Se state lavorando alla ricerca automobilistica, sviluppando soluzioni di intelligenza artificiale per la manutenzione dei veicoli o esplorando applicazioni di computer vision, il Carparts Segmentation Dataset è una risorsa preziosa per migliorare l'accuratezza e l'efficienza dei vostri progetti utilizzando modelli quali Ultralytics YOLO.
Guarda: Parti di ricambio per 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 allenamento: Comprende 3156 immagini, ciascuna accompagnata dalle relative annotazioni. Questo set viene utilizzato per l'addestramento del modello di deep learning.
- Set di test: Comprende 276 immagini, ognuna delle quali è abbinata alle rispettive annotazioni. Questo set viene utilizzato per valutare le prestazioni del modello dopo l'addestramento con i dati di prova.
- Set di validazione: Consiste in 401 immagini, ciascuna con le annotazioni corrispondenti. Questo set viene utilizzato durante l'addestramento per mettere a punto gli iperparametri ed evitare l 'overfitting utilizzando i dati di validazione.
Applicazioni
La segmentazione delle parti di automobili trova applicazione in vari settori, tra cui:
- Controllo qualità nel settore automobilistico: Identificare i difetti o le incongruenze nei componenti delle automobili durante la produzione(AI in Manufacturing).
- Riparazione auto: Assistenza ai meccanici nell'identificazione dei pezzi da riparare o sostituire.
- Catalogazione e-commerce: Etichettatura e categorizzazione automatica dei ricambi auto nei negozi online per le piattaforme di e-commerce.
- Monitoraggio del traffico: Analisi dei componenti dei veicoli nei filmati di sorveglianza del traffico.
- Veicoli autonomi: Migliorare i sistemi di percezione delle auto a guida autonoma per comprendere meglio i veicoli circostanti.
- Elaborazione assicurativa: Automatizzare la valutazione dei danni identificando le parti dell'auto interessate durante le pratiche assicurative.
- Riciclaggio: Selezione dei componenti dei veicoli per processi di riciclaggio efficienti.
- Iniziative per le città intelligenti: Contribuire con i dati alla pianificazione urbana e ai sistemi di gestione del traffico nelle Smart City.
Identificando e categorizzando con precisione i diversi componenti dei veicoli, la segmentazione delle parti di automobili snellisce i processi e contribuisce ad aumentare l'efficienza e l'automazione in questi settori.
Set di dati YAML
A YAML (Yet Another Markup Language) definisce la configurazione del dataset, compresi i percorsi, i nomi delle classi e altri dettagli essenziali. Per il set di dati Carparts Segmentation, il file carparts-seg.yaml Il file è disponibile all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Per saperne di più sul formato YAML, consultare il sito 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 (132 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: ../datasets/carparts-seg # dataset root dir
train: train/images # train images (relative to 'path') 3516 images
val: valid/images # val images (relative to 'path') 276 images
test: test/images # 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 Ultralytics YOLO11 sul dataset Carparts Segmentation per 100 epoche con una dimensione dell'immagine di 640, utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la Guida all'addestramento del modello ed esplorare i suggerimenti per l'addestramento del modello per le migliori pratiche.
Esempio di treno
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 e annotazioni di esempio
Il dataset Carparts Segmentation comprende una serie di immagini e video catturati da diverse prospettive. Di seguito sono riportati alcuni 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'automobile. Le caselle di delimitazione annotate con le maschere evidenziano le parti dell'auto identificate (ad esempio, fari, griglia).
- Il set di dati presenta una varietà di immagini catturate in condizioni diverse (luoghi, illuminazione, densità degli oggetti), fornendo una risorsa completa per l'addestramento di modelli robusti di segmentazione delle parti dell'auto.
- Questo esempio sottolinea la complessità del set di dati e l'importanza di dati di alta qualità per le attività di computer vision, soprattutto in domini specializzati come l'analisi dei componenti automobilistici. Tecniche come l'aumento dei dati possono migliorare ulteriormente la generalizzazione dei modelli.
Citazioni e ringraziamenti
Se si utilizza il dataset Carparts Segmentation nelle proprie attività di ricerca o sviluppo, si prega 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 },
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 nel mantenimento di questo prezioso set di dati per la comunità della computer vision. Per altri set di dati, visitare la raccoltaUltralytics Datasets.
FAQ
Che cos'è il dataset di segmentazione Carparts?
Il Carparts Segmentation Dataset è una raccolta specializzata di immagini e video per l'addestramento di modelli di visione artificiale per eseguire la segmentazione di parti di automobili. Include immagini diverse con annotazioni dettagliate, adatte ad applicazioni di intelligenza artificiale in campo automobilistico.
Come si può utilizzare il dataset di segmentazione Carparts con Ultralytics YOLO11 ?
È possibile addestrare un Ultralytics YOLO11 modello di segmentazione utilizzando questo set di dati. Caricare un modello preaddestrato (ad esempio, yolo11n-seg.pt) e avviare l'addestramento utilizzando gli esempi Python o CLI forniti, facendo riferimento al file carparts-seg.yaml file di configurazione. Controllare il file Guida alla formazione per istruzioni dettagliate.
Esempio di treno Snippet
Quali sono le applicazioni della segmentazione delle parti di ricambio?
La segmentazione di Carparts è utile per:
- Controllo qualità nel settore automobilistico: Garantire la conformità dei componenti agli standard(AI in Manufacturing).
- Riparazione auto: Identificare le parti che necessitano di manutenzione.
- Commercio elettronico: Catalogazione dei pezzi online.
- Veicoli autonomi: Migliorare la percezione del veicolo(AI in Automotive).
- Assicurazione: Valutazione automatica dei danni al veicolo.
- Riciclaggio: Smistare i pezzi in modo efficiente.
Dove posso trovare il file di configurazione del dataset per la segmentazione di Carparts?
Il file di configurazione del set di dati, carparts-seg.yaml, che contiene dettagli sui percorsi e sulle classi dei dataset, si trova nel repository GitHub di Ultralytics : carparts-seg.yaml.
Perché utilizzare il dataset di segmentazione Carparts?
Questo set di dati offre dati ricchi e annotati, fondamentali per lo sviluppo di modelli di segmentazione accurati per le applicazioni automobilistiche. La sua diversità aiuta a migliorare la robustezza del modello e le prestazioni in scenari reali come l'ispezione automatizzata dei veicoli, il potenziamento dei sistemi di sicurezza e il supporto alla tecnologia di guida autonoma. L'utilizzo di set di dati di alta qualità e specifici per il settore come questo accelera lo sviluppo dell'intelligenza artificiale.
