Link to this sectionDataset di segmentazione dei componenti auto#

Il dataset di segmentazione dei componenti auto è una raccolta curata di immagini e video progettata per applicazioni di computer vision, focalizzata specificamente su attività di segmentazione. Questo dataset fornisce un insieme eterogeneo di elementi visivi acquisiti 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 IA per la manutenzione dei veicoli o esplorando applicazioni di computer vision, il dataset di segmentazione dei componenti auto rappresenta una risorsa preziosa per migliorare l'accuratezza e l'efficienza dei tuoi progetti utilizzando modelli come Ultralytics YOLO.

Link to this sectionStruttura del dataset#

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

• Training set: Includes 3516 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Set di test: Comprende 401 immagini, ognuna accoppiata con le rispettive annotazioni. Questo set viene utilizzato per valutare le prestazioni del modello dopo l'addestramento utilizzando i dati di test.
• Set di validazione: Consiste in 276 immagini, ciascuna dotata delle corrispondenti annotazioni. Questo set viene utilizzato durante l'addestramento per regolare gli iperparametri e prevenire l'overfitting utilizzando i dati di validazione.

Link to this sectionApplicazioni#

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

• Controllo qualità automobilistico: Identificazione di difetti o incongruenze nei componenti auto durante la produzione (IA nel settore manifatturiero).
• 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.

Identificando e classificando accuratamente i diversi componenti del veicolo, la segmentazione dei componenti auto semplifica i processi e contribuisce a una maggiore efficienza e automazione in questi settori.

Link to this sectionDataset YAML#

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 dei componenti auto, il file carparts-seg.yaml è disponibile all'indirizzo 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

Link to this sectionUtilizzo#

Per addestrare un modello Ultralytics YOLO26 sul dataset di segmentazione dei componenti auto per 100 epoche con una dimensione immagine di 640, usa i seguenti frammenti di codice. Consulta la 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#

Il dataset di segmentazione dei componenti auto include una vasta gamma di immagini e video acquisiti 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 esempio di immagine di un'auto. Bounding box annotati con maschere evidenziano i componenti auto identificati (ad esempio, fari, griglia).
• Il dataset presenta una varietà di immagini acquisite in condizioni diverse (posizioni, illuminazione, densità degli oggetti), fornendo una risorsa completa per l'addestramento di modelli robusti di segmentazione dei componenti auto.
• Questo esempio sottolinea la complessità del dataset e l'importanza di dati di alta qualità per le attività di computer vision, specialmente in domini specializzati come l'analisi dei componenti automobilistici. Tecniche come l'aumento dei dati possono migliorare ulteriormente la generalizzazione del modello.

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 Roboflow nella creazione e nel mantenimento di questo prezioso dataset per la comunità di computer vision. Per altri dataset, visita la raccolta di dataset Ultralytics.

Link to this sectionFAQ#

Link to this sectionCos'è il dataset di segmentazione dei componenti auto?#

Il dataset di segmentazione dei 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 eterogenei con annotazioni dettagliate, adatti per applicazioni di IA automobilistica.

Link to this sectionCome posso utilizzare il dataset di segmentazione dei componenti auto con Ultralytics YOLO26?#

Puoi addestrare un modello di segmentazione Ultralytics YOLO26 utilizzando questo dataset. Carica un modello pre-addestrato (ad esempio, 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)

Link to this sectionQuali sono alcune applicazioni della segmentazione dei componenti auto?#

La segmentazione dei componenti auto è utile in:

• Controllo qualità automobilistico: Assicurarsi che i componenti soddisfino gli standard (IA nel settore manifatturiero).
• Riparazione auto: Identificare i componenti che necessitano di manutenzione.
• E-commerce: Catalogazione online dei componenti.
• Veicoli autonomi: Miglioramento della percezione del veicolo (IA nel settore automobilistico).
• Assicurazioni: Valutazione automatica dei danni del veicolo.
• Riciclaggio: Smistamento efficiente dei componenti.

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, cruciali per sviluppare modelli di segmentazione accurati per applicazioni automobilistiche. La sua eterogeneità aiuta a migliorare la robustezza e le prestazioni del modello in scenari del mondo reale come l'ispezione automatizzata dei veicoli, potenziando i sistemi di sicurezza e supportando la tecnologia di guida autonoma. L'utilizzo di dataset di alta qualità specifici per il dominio come questo accelera lo sviluppo dell'IA.