Roboflow Universe Carparts Segmentation Dataset

Il dataset Carparts Segmentation Roboflow Carparts Segmentation Dataset è una raccolta curata di immagini e video progettati per applicazioni di computer vision, in particolare per compiti di segmentazione di parti di automobili. Questo set di dati fornisce un insieme eterogeneo di immagini catturate da più prospettive, offrendo preziosi esempi annotati per l'addestramento e il test dei modelli di segmentazione.

Se stai 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 tuoi progetti.

Guarda: Segmentazione dell'istanza Carparts con Ultralytics HUB

Struttura del set di dati

La distribuzione dei dati all'interno del set di dati di segmentazione Carparts è organizzata come indicato di seguito:

• Set di allenamento: Include 3156 immagini, ciascuna accompagnata dalle relative annotazioni.
• Set di prova: Comprende 276 immagini, ognuna delle quali è abbinata alle rispettive annotazioni.
• Set di convalida: Consiste in 401 immagini, ognuna con le annotazioni corrispondenti.

Applicazioni

La segmentazione delle parti di automobili trova applicazione nel controllo di qualità del settore automobilistico, nella riparazione di autoveicoli, nella catalogazione del commercio elettronico, nel monitoraggio del traffico, nei veicoli autonomi, nell'elaborazione delle assicurazioni, nel riciclaggio e nelle iniziative di smart city. Semplifica i processi identificando e categorizzando con precisione i diversi componenti dei veicoli, contribuendo all'efficienza e all'automazione in vari settori.

Set di dati YAML

Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del set di dati Package Segmentation, il file carparts-seg.yaml Il file viene mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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 il modello Ultralytics YOLOv8n sul dataset Carparts Segmentation per 100 epoch con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina di addestramento del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Dati di esempio e annotazioni

Il dataset Carparts Segmentation comprende una serie di immagini e video ripresi da diverse prospettive. Di seguito troverai alcuni esempi di dati tratti dal dataset e le relative annotazioni:

• Questa immagine illustra la segmentazione degli oggetti all'interno di un campione, con caselle di delimitazione annotate e maschere che circondano gli oggetti identificati. Il set di dati è costituito da un insieme vario di immagini catturate in vari luoghi, ambienti e densità, che fungono da risorsa completa per la creazione di modelli specifici per questo compito.
• Questo caso evidenzia la diversità e la complessità del set di dati, sottolineando il ruolo cruciale dei dati di alta qualità nelle attività di computer vision, in particolare nel campo della segmentazione di parti di automobili.

Citazioni e ringraziamenti

Se integri il dataset Carparts Segmentation nei tuoi progetti di ricerca o sviluppo, fai riferimento al seguente documento:

   @misc{ car-seg-un1pm_dataset,
        title = { car-seg Dataset },
        type = { Open Source Dataset },
        author = { Gianmarco Russo },
        howpublished = { \url{ https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm } },
        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 },
    }

Ringraziamo il team di Roboflow per l'impegno profuso nello sviluppo e nella gestione del set di dati Carparts Segmentation, una risorsa preziosa per la manutenzione dei veicoli e per i progetti di ricerca. Per ulteriori dettagli sul dataset Carparts Segmentation e sui suoi creatori, visita la pagina del dataset CarParts Segmentation.

DOMANDE FREQUENTI

Cos'è il dataset di segmentazione di Roboflow Carparts?

Il datasetRoboflow Carparts Segmentation Dataset è una raccolta curata di immagini e video specificamente progettata per compiti di segmentazione di parti di automobili nella computer vision. Questo set di dati include una vasta gamma di immagini catturate da diverse prospettive, che lo rendono una risorsa preziosa per l'addestramento e il test di modelli di segmentazione per applicazioni automobilistiche.

Come posso utilizzare il dataset di segmentazione Carparts con Ultralytics YOLOv8 ?

Per addestrare un modello YOLOv8 sul dataset Carparts Segmentation, puoi seguire i seguenti passaggi:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Per maggiori dettagli, consulta la documentazione sulla formazione.

Quali sono le applicazioni della segmentazione delle parti di automobili?

La segmentazione delle parti di automobili può essere ampiamente applicata in vari campi come: - Controllo di qualità del settore automobilistico - Riparazione e manutenzione auto - Catalogazione e-commerce - Monitoraggio del traffico - Veicoli autonomi - Elaborazione di richieste di risarcimento assicurativo - Iniziative di riciclaggio - Progetti di città intelligenti

Questa segmentazione aiuta a identificare e classificare con precisione i diversi componenti dei veicoli, migliorando l'efficienza e l'automazione di questi settori.

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

Il file di configurazione del dataset per il dataset Carparts Segmentation, carparts-seg.yaml, si trova al seguente indirizzo: carparts-seg.yaml.

Perché dovrei usare il dataset di segmentazione Carparts?

Il Carparts Segmentation Dataset fornisce dati ricchi e annotati, essenziali per lo sviluppo di modelli di segmentazione ad alta precisione nella computer vision automobilistica. La diversità e le annotazioni dettagliate di questo dataset migliorano l'addestramento dei modelli, rendendolo ideale per applicazioni come l'automazione della manutenzione dei veicoli, il miglioramento dei sistemi di sicurezza dei veicoli e il supporto alle tecnologie di guida autonoma. La collaborazione con un set di dati solido accelera lo sviluppo dell'intelligenza artificiale e garantisce migliori prestazioni del modello.

Per maggiori dettagli, visita la pagina del set di dati sulla segmentazione dei ricambi per auto.

Commenti