자동차 부품 세분화 데이터 세트
Roboflow 유니버스에서 제공되는 자동차 부품 세분화 데이터 세트는 컴퓨터 비전 애플리케이션을 위해 특별히 세분화 작업에 초점을 맞춰 설계된 이미지 및 비디오의 엄선된 컬렉션입니다. Roboflow Universe에서 호스팅되는 이 데이터 세트는 여러 관점에서 캡처한 다양한 시각적 세트를 제공하며, 세분화 모델을 훈련하고 테스트하는 데 유용한 주석이 달린 예제를 제공합니다.
자동차 연구, 차량 유지보수를 위한 AI 솔루션 개발, 컴퓨터 비전 애플리케이션 탐색 등, 자동차 부품 세분화 데이터 세트는 다음과 같은 모델을 사용하여 프로젝트의 정확성과 효율성을 향상시키는 데 유용한 리소스로 사용됩니다. Ultralytics YOLO.
Watch: 자동차 부품 인스턴스 세분화 Ultralytics YOLO11.
데이터 세트 구조
자동차 부품 세분화 데이터 세트 내의 데이터 분포는 다음과 같이 구성됩니다:
- 트레이닝 세트: 각각 해당 주석과 함께 3156개의 이미지가 포함되어 있습니다. 이 세트는 딥러닝 모델을 학습하는 데 사용됩니다.
- 테스트 세트: 276개의 이미지로 구성되며, 각 이미지는 각각의 주석과 짝을 이룹니다. 이 세트는 테스트 데이터를 사용하여 학습한 후 모델의 성능을 평가하는 데 사용됩니다.
- 유효성 검사 세트: 각각 해당 주석이 있는 401개의 이미지로 구성됩니다. 이 세트는 학습 중에 하이퍼파라미터를 조정하고 유효성 검사 데이터를 사용하여 과적합을 방지하는 데 사용됩니다.
애플리케이션
자동차 부품 세분화는 다음과 같은 다양한 영역에서 활용되고 있습니다:
- 자동차 품질 관리: 제조 중 자동차 부품의 결함이나 불일치 식별(제조 분야의 AI).
- 자동 수리: 정비사가 수리 또는 교체할 부품을 식별하는 데 도움을 줍니다.
- 전자 상거래 카탈로그: 전자상거래 플랫폼용 온라인 스토어에서 자동차 부품에 자동으로 태그를 지정하고 분류합니다.
- 교통 모니터링: 교통 감시 영상에서 차량 구성 요소를 분석합니다.
- 자율주행 차량: 자율주행차의 인식 시스템을 개선하여 주변 차량을 더 잘 이해합니다.
- 보험 처리: 보험금 청구 시 영향을 받는 자동차 부품을 식별하여 손상 평가를 자동화합니다.
- 재활용: 효율적인 재활용 프로세스를 위한 차량 부품 분류.
- 스마트 시티 이니셔티브: 스마트 시티 내 도시 계획 및 교통 관리 시스템을 위한 데이터 제공.
자동차 부품 세분화는 다양한 차량 부품을 정확하게 식별하고 분류함으로써 프로세스를 간소화하고 해당 산업 전반의 효율성과 자동화를 높이는 데 기여합니다.
데이터 세트 YAML
A YAML (또 다른 마크업 언어) 파일은 경로, 클래스 이름 및 기타 필수 세부 정보를 포함한 데이터 세트 구성을 정의합니다. 자동차 부품 세분화 데이터 세트의 경우, 데이터 세트의 carparts-seg.yaml 파일은 다음에서 사용할 수 있습니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. YAML 형식에 대한 자세한 내용은 다음에서 확인할 수 있습니다. 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
사용법
교육하려면 Ultralytics YOLO11 모델을 이미지 크기가 640인 100개의 에포크에 대한 Carparts Segmentation 데이터 집합에서 훈련하려면 다음 코드 조각을 사용합니다. 사용 가능한 인수의 전체 목록은 모델 훈련 가이드를 참조하고 모범 사례에 대한 모델 훈련 팁을 살펴보세요.
열차 예시
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
샘플 데이터 및 주석
자동차 부품 세분화 데이터 세트에는 다양한 관점에서 캡처한 다양한 이미지와 동영상이 포함되어 있습니다. 아래는 데이터와 해당 주석을 보여주는 예시입니다:
- 이 이미지는 자동차 이미지 샘플 내의 객체 분할을 보여줍니다. 마스크가 있는 주석이 달린 경계 상자는 식별된 자동차 부품(예: 헤드라이트, 그릴)을 강조 표시합니다.
- 이 데이터 세트에는 다양한 조건(위치, 조명, 물체 밀도)에서 캡처된 다양한 이미지가 포함되어 있어 강력한 자동차 부품 세분화 모델을 학습할 수 있는 포괄적인 리소스를 제공합니다.
- 이 예는 데이터 세트의 복잡성과 컴퓨터 비전 작업, 특히 자동차 부품 분석과 같은 전문 영역에서 고품질 데이터의 중요성을 강조합니다. 데이터 증강과 같은 기술은 모델 일반화를 더욱 향상시킬 수 있습니다.
인용 및 감사
자동차 부품 세분화 데이터 세트를 연구 또는 개발 활동에 활용하는 경우, 원본 출처를 인용해 주세요:
@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 },
}
컴퓨터 비전 커뮤니티를 위해 이 귀중한 데이터 세트를 만들고 유지 관리하는 데 기여한 Gianmarco Russo와 Roboflow 팀의 노고에 감사드립니다. 더 많은 데이터세트를 보려면 Ultralytics 데이터세트 컬렉션을 방문하세요.
자주 묻는 질문
자동차 부품 세분화 데이터 세트란 무엇인가요?
자동차 부품 세분화 데이터 세트는 컴퓨터 비전 모델을 훈련시켜 자동차 부품에 대한 세분화를 수행하기 위한 이미지와 비디오의 전문 컬렉션입니다. 여기에는 자동차 AI 애플리케이션에 적합한 상세한 주석이 포함된 다양한 시각 자료가 포함되어 있습니다.
자동차 부품 세분화 데이터 집합을 Ultralytics YOLO11 과 함께 사용하려면 어떻게 해야 하나요?
교육할 수 있습니다. Ultralytics YOLO11 세분화 모델을 로드합니다. 사전 학습된 모델을 로드합니다(예, yolo11n-seg.pt)를 참조하여 제공된 Python 또는 CLI 예제를 사용하여 교육을 시작하십시오. carparts-seg.yaml 구성 파일을 수정합니다. 확인 교육 가이드 를 클릭해 자세한 지침을 확인하세요.
기차 예제 스니펫
자동차 부품 세분화의 활용 분야에는 어떤 것이 있나요?
카파트 세분화는 다음과 같은 경우에 유용합니다:
- 자동차 품질 관리: 부품이 표준을 충족하는지 확인(제조 분야의 AI).
- 자동 수리: 서비스가 필요한 부품 식별.
- 전자 상거래: 온라인 부품 카탈로그 작성
- 자율 주행 차량: 차량 인식 개선(자동차의 AI).
- 보험: 차량 손상을 자동으로 평가합니다.
- 재활용: 부품을 효율적으로 분류하기.
자동차 부품 세분화를 위한 데이터 세트 구성 파일은 어디에서 찾을 수 있나요?
데이터 세트 구성 파일입니다, carparts-seg.yaml데이터 집합 경로 및 클래스에 대한 세부 정보가 포함된 파일은 Ultralytics GitHub 리포지토리에 있습니다: carparts-seg.yaml.
자동차 부품 세분화 데이터세트를 사용해야 하는 이유는 무엇인가요?
이 데이터 세트는 자동차 애플리케이션을 위한 정확한 세분화 모델을 개발하는 데 중요한 풍부한 주석이 달린 데이터를 제공합니다. 이러한 다양성은 자동화된 차량 검사, 안전 시스템 강화, 자율 주행 기술 지원과 같은 실제 시나리오에서 모델의 견고성과 성능을 개선하는 데 도움이 됩니다. 이와 같은 고품질의 도메인별 데이터 세트를 사용하면 AI 개발 속도가 빨라집니다.
