カーパーツ分割データセット
Roboflow Universeで利用可能なCarparts Segmentation Datasetは、特にセグメンテーションタスクに焦点を当てた、コンピュータビジョンアプリケーションのために設計された画像とビデオのキュレーションコレクションです。Roboflow Universeでホストされているこのデータセットは、複数の視点から撮影された多様なビジュアルのセットを提供し、セグメンテーションモデルのトレーニングやテストのための貴重な注釈付き例を提供します。
Carparts Segmentation Datasetは、自動車研究、車両メンテナンスのためのAIソリューションの開発、またはコンピュータ・ビジョンのアプリケーションの探求のいずれにおいても、以下のようなモデルを使用してプロジェクトの精度と効率を高めるための貴重なリソースとなります。 Ultralytics YOLO.
見るんだ： カー用品 インスタンスのセグメンテーション Ultralytics YOLO11。
データセット構造
Carparts Segmentation Dataset内のデータ分布は以下のように整理されている：
- トレーニングセット：3156枚の画像を含み、それぞれに対応する注釈が添えられている。このセットはディープラーニングモデルの トレーニングに使用される。
- テストセット：276枚の画像で構成され、各画像はそれぞれのアノテーションと対になっている。このセットは、テストデータによる学習後のモデルの性能を評価するために使用される。
- 検証セット：それぞれが対応する注釈を持つ401枚の画像から構成される。このセットは、ハイパーパラメータを調整し、検証データによる オーバーフィッティングを防ぐために、トレーニング中に使用される。
アプリケーション
カーパーツのセグメンテーションは、以下のような様々な領域で応用されている：
- 自動車の品質管理：製造中の自動車部品の欠陥や不整合を特定する（製造におけるAI）。
- 自動車修理：修理や交換のための部品を特定するために整備士を支援する。
- Eコマースカタログ：Eコマースプラットフォームのオンラインストアで、自動車部品に自動的にタグを付け、分類します。
- 交通監視：交通監視映像の車両構成要素を分析する。
- 自律走行車：自動運転車の知覚システムを強化し、周囲の車両をより良く理解する。
- 保険処理：保険金請求の際に、影響を受けた車の部品を特定することで、損害査定を自動化。
- リサイクル：効率的なリサイクルプロセスのための自動車部品の選別。
- スマートシティへの取り組み：スマートシティにおける都市計画や交通管理システムのためのデータ提供。
異なる車両部品を正確に識別・分類することで、カーパーツのセグメンテーションはプロセスを合理化し、これらの業界全体の効率化と自動化に貢献する。
データセット YAML
A ヤムル (Yet Another Markup Language)ファイルには，パス，クラス名，その他の重要な詳細を含む，データセットの設定が定義されている．Carparts Segmentation データセットでは carparts-seg.yaml ファイルは以下から入手できる。 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml.YAMLフォーマットについては、以下を参照してください。 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
使用方法
をトレーニングする Ultralytics YOLO11モデルをCarparts Segmentationデータセットで画像サイズ640で100エポック学習させるには、以下のコードスニペットを使用します。利用可能な引数の包括的なリストについてはモデルトレーニングガイドを参照し、ベストプラクティスについてはモデルトレーニングのヒントを参照してください。
列車の例
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
サンプルデータと注釈
Carparts Segmentationデータセットには、様々な視点から撮影された画像や動画が含まれています。以下に、データとそれに対応するアノテーションの例を示します：
- この画像は、自動車画像サンプル内のオブジェクトのセグメンテーションを示す。マスク付きの注釈付きバウンディングボックスは、識別された車のパーツ（ヘッドライト、グリルなど）を強調します。
- このデータセットは、さまざまな条件（場所、照明、物体密度）で撮影されたさまざまな画像を特徴としており、ロバストな自動車部品セグメンテーションモデルを学習するための包括的なリソースを提供する。
- この例は、データセットの複雑さと、特に自動車部品解析のような特殊な領域におけるコンピュータビジョンタスクのための高品質データの重要性を強調している。データ補強のような技術は、モデルの汎化をさらに強化することができます。
引用と謝辞
カーパーツセグメンテーションデータセットを研究や開発に利用する場合は、原典を引用してください：
@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 },
}
Gianmarco RussoとRoboflow チームによる、コンピュータ・ビジョン・コミュニティのための貴重なデータセットの作成と維持への貢献に感謝する。その他のデータセットについては、Ultralytics Datasets collectionをご覧ください。
よくあるご質問
Carparts Segmentation Datasetとは？
Carparts Segmentation Datasetは、自動車部品のセグメンテーションを行うコンピュータ・ビジョン・モデルのトレーニングに特化した画像とビデオのコレクションです。自動車AIアプリケーションに適した、詳細な注釈付きの多様なビジュアルが含まれています。
Carparts Segmentation Dataset をUltralytics YOLO11 で使用するには？
を訓練することができる。 Ultralytics YOLO11 このデータセットを使用して、セグメンテーションモデルを作成する。事前に学習させたモデル（例えば yolo11n-seg.ptを参照しながら、提供されたPython またはCLI 例を使ってトレーニングを開始します。 carparts-seg.yaml 設定ファイルを確認する。をチェックする。 トレーニングガイド をご覧ください。
列車のスニペット例
カーパーツセグメンテーションの用途は？
カーパーツのセグメンテーションは次のような場面で役立つ：
- 自動車の品質管理：部品が基準を満たしていることを確認する（製造におけるAI）。
- 自動車修理：修理が必要な部品の特定
- Eコマース：オンラインで部品をカタログ化する。
- 自律走行車：車両知覚の向上（自動車におけるAI）。
- 保険：車両損害の自動査定
- リサイクル：効率的に部品を選別
カーパーツセグメンテーションのデータセット設定ファイルはどこにありますか？
データセット設定ファイル． carparts-seg.yamlデータセットのパスとクラスの詳細が含まれるUltralytics GitHubリポジトリにあります： carparts-seg.yaml.
なぜCarparts Segmentation Datasetを使う必要があるのですか？
このデータセットは、自動車アプリケーションのための正確なセグメンテーションモデルを開発するために不可欠な、豊富な注釈付きデータを提供します。その多様性は、自動車両検査、安全システムの強化、自律走行技術のサポートなど、実世界のシナリオにおけるモデルのロバスト性とパフォーマンスの向上に役立ちます。このような高品質でドメイン固有のデータセットを使用することで、AIの開発が加速します。
