자동차 부품 세그멘테이션 데이터셋

자동차 부품 세그멘테이션 데이터셋은 컴퓨터 비전 애플리케이션, 특히 세그멘테이션 작업에 초점을 맞춰 설계된 엄선된 이미지 및 비디오 컬렉션입니다. 이 데이터셋은 다양한 관점에서 촬영된 다양한 시각 자료를 제공하며, 세그멘테이션 모델 학습 및 테스트를 위한 귀중한 주석 처리된 예시를 제공합니다.

자동차 연구, 차량 정비를 위한 AI 솔루션 개발, 또는 컴퓨터 비전 애플리케이션 탐구 등 어떤 목적이든 자동차 부품 세그멘테이션 데이터셋은 Ultralytics YOLO와 같은 모델을 사용하여 프로젝트의 정확도와 효율성을 향상시키는 데 귀중한 리소스로 활용됩니다.

시청: Ultralytics Platform으로 자동차 부품 세그멘테이션하는 방법 | 학습, 배포 및 추론 | Ultralytics YOLO26 🚀

데이터셋 구조

자동차 부품 세그멘테이션 데이터셋 내의 데이터 분포는 다음과 같이 구성됩니다:

학습 세트: 각 이미지에 해당 주석이 포함된 3156개의 이미지를 포함합니다. 이 세트는 딥러닝 모델 학습에 사용됩니다.
테스트 세트: 각 이미지에 해당 주석이 포함된 276개의 이미지로 구성됩니다. 이 세트는 테스트 데이터를 사용하여 학습 후 모델 성능을 평가하는 데 사용됩니다.
검증 세트: 각 이미지에 해당 주석이 포함된 401개의 이미지로 구성됩니다. 이 세트는 학습 중 검증 데이터를 사용하여 하이퍼파라미터를 조정하고 과적합을 방지하는 데 사용됩니다.

애플리케이션

자동차 부품 세그멘테이션은 다음을 포함한 다양한 분야에서 활용됩니다:

자동차 품질 관리: 제조 중 자동차 부품의 결함 또는 불일치 식별(AI in Manufacturing).
자동차 수리: 정비사가 수리 또는 교체가 필요한 부품을 식별하는 데 지원.
전자상거래 카탈로그화: 온라인 스토어의 자동차 부품을 자동으로 태그 지정 및 분류.
교통 모니터링: 교통 감시 영상에서 차량 구성 요소 분석.
자율주행 차량: 자율주행 자동차의 인식 시스템 향상으로 주변 차량을 더 잘 이해.
보험 처리: 보험 청구 시 손상된 자동차 부품을 식별하여 피해 평가 자동화.
재활용: 효율적인 재활용 프로세스를 위한 차량 부품 분류.
스마트 시티 이니셔티브: 스마트 시티 내 도시 계획 및 교통 관리 시스템을 위한 데이터 제공.

다양한 차량 구성 요소를 정확하게 식별하고 분류함으로써, 자동차 부품 세그멘테이션은 이러한 산업 전반에 걸쳐 프로세스를 간소화하고 효율성과 자동화 향상에 기여합니다.

데이터셋 YAML

YAML(Yet Another Markup Language) 파일은 경로, 클래스 이름 및 기타 필수 세부 정보를 포함하는 데이터셋 구성을 정의합니다. 자동차 부품 세그멘테이션 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.org를 참조하세요.

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 (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.zip

사용법

이미지 크기 640으로 100 에포크 동안 자동차 부품 세그멘테이션 데이터셋에서 Ultralytics YOLO26 모델을 학습하려면 다음 코드 스니펫을 사용하세요. 사용 가능한 인수의 전체 목록은 모델 학습 가이드를 참조하고, 모범 사례를 위한 모델 학습 팁을 살펴보세요.

학습 예시

from ultralytics import YOLO

# YOLO26n-seg와 같은 사전 학습된 세그멘테이션 모델 로드
model = YOLO("yolo26n-seg.pt")  # 사전 학습된 모델 로드 (학습에 권장)

# 자동차 부품 세그멘테이션 데이터셋에서 모델 학습
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# 학습 후 검증 세트에서 모델 성능 검증 가능
results = model.val()

# 또는 새 이미지나 비디오에 예측 수행
results = model.predict("path/to/your/image.jpg")

샘플 데이터 및 주석

자동차 부품 세그멘테이션 데이터셋에는 다양한 관점에서 촬영된 다양한 이미지와 비디오가 포함되어 있습니다. 아래는 데이터와 해당 주석을 보여주는 예시입니다:

자동차 부품 세그멘테이션 데이터셋 샘플 이미지

이미지는 자동차 이미지 샘플 내의 객체 세그멘테이션을 보여줍니다. 마스크가 포함된 주석 처리된 바운딩 박스는 식별된 자동차 부품(예: 헤드라이트, 그릴)을 강조 표시합니다.
데이터셋은 다양한 조건(위치, 조명, 객체 밀도)에서 촬영된 다양한 이미지를 포함하여, 강력한 자동차 부품 세그멘테이션 모델 학습을 위한 포괄적인 리소스를 제공합니다.
이 예시는 컴퓨터 비전 작업, 특히 자동차 부품 분석과 같은 전문 분야에서 고품질 데이터의 중요성과 데이터셋의 복잡성을 강조합니다. 데이터 증강과 같은 기술은 모델 일반화를 더욱 향상시킬 수 있습니다.

인용 및 감사

연구 또는 개발 작업에서 자동차 부품 세그멘테이션 데이터셋을 사용하는 경우, 원본 출처를 인용해 주세요:

Quote

   @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 귀중한 데이터셋을 만들고 유지 관리하는 데 기여한 Gianmarco Russo와 Roboflow 팀에 감사드립니다. 더 많은 데이터셋은 Ultralytics 데이터셋 컬렉션을 방문하세요.

FAQ