Carparts Segmentation Dataset#

Ultralytics Carparts Segmentation Dataset은 자동차 computer vision 태스크에서 instance segmentation 모델을 학습하기 위해 범퍼, 도어, 라이트, 미러, 후드, 트렁크를 포함한 23개의 자동차 부품 클래스에 걸쳐 3,833개의 주석이 포함된 이미지를 제공합니다. 여러 관점에서 캡처되고 픽셀 수준의 마스크로 주석이 달린 이 데이터셋은 자동차 품질 관리 및 수리부터 보험금 청구 손상 평가 및 자율 주행 차량 인식에 이르는 사용 사례를 위해 Ultralytics YOLO와 직접 페어링됩니다.

데이터셋 구조#

Carparts Segmentation 데이터셋은 총 3,833개의 이미지를 다음과 같이 분류합니다:

• Training set: deep learning model을 학습하는 데 사용되는 3,156개의 이미지입니다.
• Validation set: 학습 중 hyperparameters를 튜닝하고 validation data에 대한 overfitting을 방지하기 위해 사용되는 401개의 이미지입니다.
• Testing set: 학습 후 보류된 test data에서 모델을 평가하는 데 사용되는 276개의 이미지.
• Classes: 총 23개 — 22개의 명명된 자동차 부품 카테고리(범퍼, 문, 라이트, 유리, 미러, 본넷, 테일게이트, 트렁크 및 바퀴)와 해당 카테고리 외의 부품을 위한 포괄적 object 클래스.
• Download size: ~133 MB.

응용 분야#

Carparts Segmentation은 다음을 포함한 다양한 도메인에서 응용됩니다:

• Automotive Quality Control: 제조 공정 중 자동차 부품의 결함 또는 불일치 식별 (AI in Manufacturing).
• 자동차 수리: 정비사가 수리 또는 교체가 필요한 부품을 식별하도록 지원.
• E-commerce Cataloging: e-commerce 플랫폼을 위한 온라인 스토어의 자동차 부품 자동 태깅 및 분류.
• 교통 모니터링: 교통 감시 영상에서 차량 구성 요소 분석.
• Autonomous Vehicles: 주변 차량을 더 잘 이해할 수 있도록 self-driving cars의 인지 시스템 강화.
• 보험 처리: 보험 청구 시 영향을 받은 자동차 부품을 식별하여 손상 평가 자동화.
• 재활용: 효율적인 재활용 프로세스를 위해 차량 구성 요소를 분류.
• Smart City Initiatives: Smart Cities 내 도시 계획 및 교통 관리 시스템을 위한 데이터 기여.

전체 Carparts Segmentation Dataset은 Ultralytics Platform에서도 탐색하고 관리할 수 있습니다.

데이터셋 YAML#

YAML 파일은 경로, 클래스 이름 및 기타 필수 세부 정보를 포함한 데이터셋 구성을 정의합니다. Carparts Segmentation dataset의 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') 3156 images
val: images/val # val images (relative to 'path') 401 images
test: images/test # test images (relative to 'path') 276 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#

이미지 크기 640으로 100 epochs 동안 Carparts Segmentation 데이터셋에서 Ultralytics YOLO26 모델을 학습하려면 다음 코드 조각을 사용하십시오. 사용 가능한 인수의 전체 목록은 모델 Training guide를 참조하고, 모범 사례에 대해서는 model training tips를 살펴보십시오.

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#

아래는 개별 자동차 부품이 어떻게 외곽선이 그려지고 레이블이 지정되는지 보여주는 object segmentation 마스크가 오버레이된 Carparts Segmentation Dataset의 예시 이미지입니다:

이 데이터셋은 다양한 위치, 조명 조건 및 객체 밀도를 포함하고 있어, 이를 학습한 모델은 일반화해야 하는 광범위한 실제 환경을 경험할 수 있습니다.

인용 및 감사의 글#

연구 또는 개발 활동에 Carparts Segmentation 데이터셋을 사용하는 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 만들고 유지 관리해 주신 Gianmarco Russo와 Roboflow 팀의 기여에 감사드립니다. 더 많은 데이터셋을 보려면 Ultralytics Datasets collection을 방문하세요.

FAQ#

Carparts Segmentation 데이터셋은 무엇이며 Ultralytics YOLO26에서는 어떻게 사용됩니까?#

Carparts Segmentation Dataset은 instance segmentation 모델을 학습하고 평가하기 위해 범퍼, 도어, 라이트, 미러, 후드, 트렁크 등 23개의 자동차 부품 클래스에 걸쳐 3,833개의 주석이 달린 이미지로 구성된 큐레이션된 컬렉션입니다. 품질 관리, 자동차 수리 및 손상 평가와 같은 자동차 computer vision 애플리케이션용으로 제작되었으며, carparts-seg.yaml 설정 파일을 통해 Ultralytics YOLO26과 직접 사용됩니다.

Carparts Segmentation 데이터셋에는 몇 개의 이미지와 클래스가 포함되어 있습니까?#

데이터셋은 총 3,833개의 이미지로 구성되어 있습니다 — 학습용 3,156개, 검증용 401개, 테스트용 276개 — 23개의 클래스(22개의 명명된 자동차 부품 카테고리 및 그 외 부품을 위한 포괄적 object 클래스)에 걸쳐 있습니다. 전체 아카이브는 첫 사용 시 ~133 MB .zip(으)로 자동 다운로드됩니다.

Carparts Segmentation 데이터셋에서 Ultralytics YOLO26 모델을 어떻게 학습시킬 수 있습니까?#

사전 학습된 segmentation 모델(예: yolo26n-seg.pt)을 로드하고 위쪽 Usage 섹션의 Python 또는 CLI 코드 조각을 사용하여 carparts-seg.yaml 설정으로 학습합니다. 사용 가능한 인수의 전체 목록은 Training guide를 참조하십시오.

Carparts Segmentation 데이터셋의 애플리케이션에는 어떤 것이 있습니까?#

Carparts segmentation은 자동차 품질 관리, 자동차 수리, 이커머스 카탈로그화, 교통 모니터링, 자율주행 차량 인지, 보험 손해 사정, 재활용, 스마트시티 이니셔티브를 지원합니다. 각 유스케이스에 대한 자세한 내용은 위의 Applications 섹션을 참조하세요.

Carparts Segmentation을 위한 데이터셋 구성 파일은 어디에서 찾을 수 있습니까?#

데이터셋 경로와 클래스에 대한 세부 정보가 포함된 데이터셋 구성 파일 carparts-seg.yaml은 Ultralytics GitHub 저장소(carparts-seg.yaml)에 있습니다.

왜 Carparts Segmentation Dataset을 사용해야 합니까?#

이 데이터셋은 자동차 응용 프로그램을 위한 정확한 segmentation models을 개발하는 데 중요한 풍부하고 주석이 달린 데이터를 제공합니다. 그 다양성은 자동 차량 검사, 안전 시스템 강화, 자율 주행 기술 지원과 같은 실제 시나리오에서 모델의 견고성과 성능을 향상시키는 데 도움이 됩니다. 이와 같은 고품질의 도메인 특화 데이터셋을 사용하면 AI 개발이 가속화됩니다.