Carparts Segmentation 데이터셋
Carparts Segmentation 데이터셋은 컴퓨터 비전 애플리케이션, 특히 세그멘테이션 작업에 초점을 맞추어 설계된 이미지와 비디오의 큐레이션된 컬렉션입니다. 이 데이터셋은 다양한 관점에서 캡처된 풍부한 시각 자료를 제공하며, 세그멘테이션 모델을 학습하고 테스트하기 위한 유용한 어노테이션 예제를 제공합니다.
Whether you're working on automotive research, developing AI solutions for vehicle maintenance, or exploring computer vision applications, the Carparts Segmentation Dataset serves as a valuable resource for enhancing the accuracy and efficiency of your projects using models like Ultralytics YOLO.
Watch: How to Segment Carparts with Ultralytics Platform | Train, Deploy & Inference | Ultralytics YOLO26 🚀
데이터셋 구조
Carparts Segmentation 데이터셋 내 데이터 분포는 다음과 같이 구성되어 있습니다:
- Training set: Includes 3156 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
- 테스트 세트(Testing set): 276개의 이미지와 각각에 대응하는 어노테이션이 쌍을 이루고 있습니다. 이 세트는 테스트 데이터를 사용하여 학습 후 모델의 성능을 평가하는 데 사용됩니다.
- Validation set: Consists of 401 images, each having corresponding annotations. This set is used during training to tune hyperparameters and prevent overfitting using validation data.
응용 분야
Carparts Segmentation은 다음을 포함한 다양한 분야에서 응용될 수 있습니다:
- 자동차 품질 관리: 제조 과정에서 자동차 부품의 결함이나 불일치를 식별합니다 (제조업 분야의 AI).
- 자동차 수리: 정비사가 수리나 교체가 필요한 부품을 식별하도록 지원합니다.
- 이커머스 카탈로그화: 이커머스 플랫폼을 위한 온라인 스토어에서 자동차 부품을 자동으로 태그하고 분류합니다.
- 교통 모니터링: 교통 감시 영상에서 차량 구성 요소를 분석합니다.
- 자율주행 자동차: 자율주행 자동차의 인식 시스템을 강화하여 주변 차량을 더 잘 이해하도록 합니다.
- 보험 처리: 보험 청구 과정에서 영향을 받은 자동차 부품을 식별하여 손상 평가를 자동화합니다.
- 재활용: 효율적인 재활용 과정을 위해 차량 구성 요소를 분류합니다.
- 스마트 시티 이니셔티브: 스마트 시티 내 도시 계획 및 교통 관리 시스템을 위한 데이터를 제공합니다.
다양한 차량 구성 요소를 정확하게 식별하고 분류함으로써, Carparts Segmentation은 프로세스를 간소화하고 이러한 산업 전반의 효율성과 자동화 증대에 기여합니다.
데이터셋 YAML
YAML (Yet Another Markup Language) 파일은 경로, 클래스 이름 및 기타 필수 세부 정보를 포함하여 데이터셋 구성을 정의합니다. Carparts Segmentation 데이터셋의 경우 carparts-seg.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml에서 확인할 수 있습니다. YAML 형식에 대한 자세한 내용은 yaml.org에서 확인할 수 있습니다.
# 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.zip사용법
To train an Ultralytics YOLO26 model on the Carparts Segmentation dataset for 100 epochs with an image size of 640, use the following code snippets. Refer to the model Training guide for a comprehensive list of available arguments and explore model training tips for best practices.
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")샘플 데이터 및 주석
Carparts Segmentation 데이터셋은 다양한 각도에서 캡처된 방대한 이미지와 비디오를 포함하고 있습니다. 다음은 데이터와 그에 상응하는 어노테이션을 보여주는 예시입니다:
- 이 이미지는 자동차 이미지 샘플 내에서의 객체 세그멘테이션을 보여줍니다. 마스크가 포함된 어노테이션된 바운딩 박스가 식별된 자동차 부품(예: 헤드라이트, 그릴)을 강조 표시합니다.
- 이 데이터셋은 다양한 조건(위치, 조명, 객체 밀도)에서 캡처된 여러 이미지들을 특징으로 하며, 강력한 자동차 부품 세그멘테이션 모델을 학습하기 위한 포괄적인 리소스를 제공합니다.
- 이 예시는 데이터셋의 복잡성과 컴퓨터 비전 작업, 특히 자동차 부품 분석과 같은 전문 영역에서 고품질 데이터의 중요성을 강조합니다. 데이터 증강과 같은 기술은 모델의 일반화 성능을 더욱 향상시킬 수 있습니다.
인용 및 감사의 글
연구 또는 개발 활동에 Carparts Segmentation 데이터셋을 활용하는 경우, 원본 출처를 인용해 주십시오:
@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 },
}컴퓨터 비전 커뮤니티를 위해 이 가치 있는 데이터셋을 생성하고 유지 관리해 준 Gianmarco Russo와 Roboflow 팀의 기여에 감사드립니다. 더 많은 데이터셋은 Ultralytics 데이터셋 컬렉션을 방문하십시오.
FAQ
Carparts Segmentation 데이터셋이란 무엇입니까?
Carparts Segmentation 데이터셋은 자동차 부품에 대한 세그멘테이션을 수행하도록 컴퓨터 비전 모델을 학습시키기 위한 전문적인 이미지 및 비디오 모음입니다. 자동차 AI 애플리케이션에 적합한 자세한 어노테이션이 포함된 다양한 시각 자료를 포함하고 있습니다.
Ultralytics YOLO26에서 Carparts Segmentation 데이터셋을 어떻게 사용할 수 있습니까?
이 데이터셋을 사용하여 Ultralytics YOLO26 세그멘테이션 모델을 학습할 수 있습니다. 사전 학습된 모델(예: yolo26n-seg.pt)을 로드하고 제공된 Python 또는 CLI 예제를 사용하여 학습을 시작하십시오. 이때 carparts-seg.yaml 구성 파일을 참조하십시오. 자세한 지침은 학습 가이드를 확인하십시오.
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)Carparts Segmentation의 응용 사례에는 어떤 것이 있습니까?
Carparts Segmentation은 다음 분야에서 유용합니다:
- 자동차 품질 관리: 부품이 표준을 충족하는지 확인합니다 (제조업 분야의 AI).
- 자동차 수리: 서비스가 필요한 부품을 식별합니다.
- 이커머스: 온라인에서 부품을 카탈로그화합니다.
- 자율주행 자동차: 차량 인식을 개선합니다 (자동차 분야의 AI).
- 보험: 차량 손상을 자동으로 평가합니다.
- 재활용: 부품을 효율적으로 분류합니다.
Carparts Segmentation을 위한 데이터셋 구성 파일은 어디에서 찾을 수 있습니까?
데이터셋 경로와 클래스에 대한 세부 정보를 포함하는 데이터셋 구성 파일 carparts-seg.yaml은 Ultralytics GitHub 저장소인 carparts-seg.yaml에서 찾을 수 있습니다.
왜 Carparts Segmentation 데이터셋을 사용해야 합니까?
이 데이터셋은 자동차 애플리케이션을 위한 정확한 세그멘테이션 모델을 개발하는 데 중요한 풍부한 어노테이션 데이터를 제공합니다. 그 다양성은 자동화된 차량 검사, 안전 시스템 강화, 자율주행 기술 지원과 같은 실제 시나리오에서 모델의 견고성과 성능을 개선하는 데 도움이 됩니다. 이와 같이 고품질의 도메인 특화 데이터셋을 사용하는 것은 AI 개발을 가속화합니다.