Overslaan naar inhoud

Roboflow Universum Carparts Segmentatie Dataset

De Roboflow Carparts Segmentation Dataset is een samengestelde verzameling afbeeldingen en video's ontworpen voor computer vision toepassingen, specifiek gericht op segmentatietaken met betrekking tot auto-onderdelen. Deze dataset biedt een gevarieerde verzameling afbeeldingen die vanuit meerdere perspectieven zijn vastgelegd en biedt waardevolle geannoteerde voorbeelden voor het trainen en testen van segmentatiemodellen.

Of je nu werkt aan auto-onderzoek, AI-oplossingen ontwikkelt voor voertuigonderhoud of computervisietoepassingen onderzoekt, de Carparts Segmentatiedataset is een waardevolle bron voor het verbeteren van de nauwkeurigheid en efficiƫntie van je projecten.



Kijken: Carparts Instance Segmentatie met Ultralytics HUB

Structuur dataset

De gegevensverdeling binnen de Carparts Segmentation Dataset is als volgt georganiseerd:

  • Trainingsset: Bevat 3156 afbeeldingen, elk vergezeld van de bijbehorende annotaties.
  • Testset: Bestaat uit 276 afbeeldingen, waarbij elke afbeelding is gekoppeld aan de bijbehorende annotaties.
  • Validatieset: Bestaat uit 401 afbeeldingen, elk met bijbehorende annotaties.

Toepassingen

Carparts Segmentatie vindt toepassingen in kwaliteitscontrole van auto's, autoreparatie, e-commerce catalogisering, verkeersmonitoring, autonome voertuigen, verzekeringsverwerking, recycling en smart city initiatieven. Het stroomlijnt processen door het nauwkeurig identificeren en categoriseren van verschillende voertuigonderdelen, wat bijdraagt aan efficiƫntie en automatisering in verschillende industrieƫn.

Dataset YAML

Een YAML (Yet Another Markup Language) bestand wordt gebruikt om de configuratie van de dataset te definiƫren. Het bevat informatie over de paden, klassen en andere relevante informatie van de dataset. In het geval van de pakketsegmentatie dataset is de carparts-seg.yaml bestand wordt onderhouden op https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml.

ultralytics/cfg/datasets/carparts-seg.yaml

# Ultralytics YOLO šŸš€, AGPL-3.0 license
# Carparts-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/carparts-seg/
# Example usage: yolo train data=carparts-seg.yaml
# parent
# ā”œā”€ā”€ ultralytics
# ā””ā”€ā”€ datasets
#     ā””ā”€ā”€ carparts-seg  ā† 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

Gebruik

Om Ultralytics YOLOv8n model te trainen op de Carparts Segmentatie dataset voor 100 epochs met een afbeeldingsgrootte van 640, kun je de volgende codefragmenten gebruiken. Raadpleeg de pagina Model Training voor een uitgebreide lijst met beschikbare argumenten.

Voorbeeld trein

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Voorbeeldgegevens en annotaties

De Carparts Segmentatie dataset bevat een gevarieerde reeks afbeeldingen en video's genomen vanuit verschillende perspectieven. Hieronder vind je voorbeelden van gegevens uit de dataset samen met de bijbehorende annotaties:

Voorbeeldafbeelding dataset

  • Deze afbeelding illustreert objectsegmentatie binnen een voorbeeld, met geannoteerde bounding boxes met maskers rond geĆÆdentificeerde objecten. De dataset bestaat uit een gevarieerde reeks afbeeldingen die zijn vastgelegd op verschillende locaties, in verschillende omgevingen en met verschillende dichtheden, en dient als een uitgebreide bron voor het maken van specifieke modellen voor deze taak.
  • Dit voorbeeld benadrukt de diversiteit en complexiteit die inherent zijn aan de dataset en benadrukt de cruciale rol van gegevens van hoge kwaliteit in computer vision taken, vooral op het gebied van segmentatie van auto-onderdelen.

Citaten en erkenningen

Als je de Carparts Segmentation dataset in je onderzoeks- of ontwikkelingsprojecten integreert, verwijs dan naar het volgende document:

   @misc{ car-seg-un1pm_dataset,
        title = { car-seg Dataset },
        type = { Open Source Dataset },
        author = { Gianmarco Russo },
        howpublished = { \url{ https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm } },
        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 },
    }

We bedanken het Roboflow team voor hun toewijding bij het ontwikkelen en beheren van de Carparts Segmentation dataset, een waardevolle bron voor voertuigonderhoud en onderzoeksprojecten. Ga voor meer informatie over de Carparts Segmentation dataset en de makers ervan naar de CarParts Segmentation Dataset Pagina.

FAQ

Wat is de Roboflow Carparts Segmentatie Dataset?

De Roboflow Carparts Segmentation Dataset is een samengestelde verzameling afbeeldingen en video's speciaal ontworpen voor segmentatietaken van auto-onderdelen in computer vision. Deze dataset bevat een divers scala aan beelden die vanuit meerdere perspectieven zijn vastgelegd, waardoor het een bron van onschatbare waarde is voor het trainen en testen van segmentatiemodellen voor toepassingen in de auto-industrie.

Hoe kan ik de Carparts Segmentation Dataset gebruiken met Ultralytics YOLOv8 ?

Om een YOLOv8 model te trainen op de Carparts Segmentatie dataset, kun je de volgende stappen volgen:

Voorbeeld trein

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Raadpleeg de trainingsdocumentatie voor meer informatie.

Wat zijn enkele toepassingen van Carparts Segmentatie?

Segmentatie van auto-onderdelen kan op grote schaal worden toegepast op verschillende gebieden, zoals: - Automotive kwaliteitscontrole - Autoreparatie en onderhoud - E-commerce catalogiseren - Verkeersmonitoring - Autonome voertuigen - Verwerking van verzekeringsclaims - Recycling initiatieven - Slimme stad projecten

Deze segmentatie helpt bij het nauwkeurig identificeren en categoriseren van verschillende voertuigonderdelen, waardoor de efficiƫntie en automatisering in deze industrieƫn verbetert.

Waar kan ik het configuratiebestand voor de dataset voor Carparts Segmentatie vinden?

Het configuratiebestand voor de Carparts Segmentatie dataset, carparts-seg.yamlis te vinden op de volgende locatie: auto-onderdelen-seg.yaml.

Waarom zou ik de Carparts Segmentation Dataset gebruiken?

De Carparts Segmentatiedataset biedt rijke, geannoteerde gegevens die essentieel zijn voor het ontwikkelen van zeer nauwkeurige segmentatiemodellen in computer vision voor de auto-industrie. De diversiteit en gedetailleerde annotaties van deze dataset verbeteren de modeltraining, waardoor het ideaal is voor toepassingen als automatisering van voertuigonderhoud, verbetering van voertuigveiligheidssystemen en ondersteuning van technologieƫn voor autonoom rijden. Samenwerken met een robuuste dataset versnelt de AI-ontwikkeling en zorgt voor betere modelprestaties.

Ga voor meer informatie naar de pagina Segmentatiedataset auto-onderdelen.



Gemaakt op 2024-01-25, Bijgewerkt op 2024-07-04
Auteurs: glenn-jocher (4), RizwanMunawar (2)

Reacties