Conjunto de Dados de Segmentação de Peças de Carro

O Conjunto de Dados de Segmentação de Peças de Carro é uma coleção curada de imagens e vídeos projetada para aplicações de visão computacional, com foco específico em tarefas de segmentação. Este conjunto de dados fornece um conjunto diversificado de visuais capturados de múltiplas perspectivas, oferecendo exemplos valiosos anotados para treinar e testar modelos de segmentação.

Quer você esteja trabalhando em pesquisa automotiva, desenvolvendo soluções de IA para manutenção de veículos ou explorando aplicações de visão computacional, o Conjunto de Dados de Segmentação de Peças de Carro serve como um recurso valioso para melhorar a precisão e a eficiência dos seus projetos usando modelos como o Ultralytics YOLO.

Estrutura do Dataset

A distribuição de dados dentro do Conjunto de Dados de Segmentação de Peças de Carro está organizada da seguinte forma:

• Training set: Includes 3156 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Conjunto de teste: Compreende 276 imagens, cada uma pareada com suas respectivas anotações. Este conjunto é usado para avaliar o desempenho do modelo após o treinamento usando dados de teste.
• Conjunto de validação: Consiste em 401 imagens, cada uma tendo as anotações correspondentes. Este conjunto é usado durante o treinamento para ajustar hiperparâmetros e prevenir overfitting usando dados de validação.

Aplicações

A segmentação de peças de carro encontra aplicações em vários domínios, incluindo:

• Controle de Qualidade Automotivo: Identificação de defeitos ou inconsistências em peças de carro durante a fabricação (IA na Manufatura).
• Reparo Automotivo: Auxílio aos mecânicos na identificação de peças para reparo ou substituição.
• Catalogação de E-commerce: Marcação e categorização automática de peças de carro em lojas online para plataformas de e-commerce.
• Monitoramento de Tráfego: Análise de componentes de veículos em filmagens de vigilância de tráfego.
• Veículos Autônomos: Melhoria dos sistemas de percepção de carros autônomos para entender melhor os veículos ao redor.
• Processamento de Seguros: Automação da avaliação de danos ao identificar peças de carro afetadas durante pedidos de seguro.
• Reciclagem: Triagem de componentes de veículos para processos de reciclagem eficientes.
• Iniciativas de Cidades Inteligentes: Contribuição de dados para planejamento urbano e sistemas de gerenciamento de tráfego dentro de Cidades Inteligentes.

Ao identificar e categorizar com precisão diferentes componentes de veículos, a segmentação de peças de carro simplifica processos e contribui para o aumento da eficiência e automação nessas indústrias.

YAML do Dataset

Um arquivo YAML (Yet Another Markup Language) define a configuração do conjunto de dados, incluindo caminhos, nomes de classes e outros detalhes essenciais. Para o conjunto de dados de Segmentação de Peças de Carro, o arquivo carparts-seg.yaml está disponível em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Você pode aprender mais sobre o formato YAML em yaml.org.

# 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

Utilização

Para treinar um modelo Ultralytics YOLO26 no conjunto de dados de Segmentação de Peças de Carro por 100 épocas com um tamanho de imagem de 640, use os snippets de código a seguir. Consulte o Guia de treinamento do modelo para obter uma lista abrangente de argumentos disponíveis e explore as dicas de treinamento de modelo para as melhores práticas.

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")

Amostra de dados e anotações

O conjunto de dados de Segmentação de Peças de Carro inclui uma variedade diversificada de imagens e vídeos capturados de várias perspectivas. Abaixo estão exemplos que mostram os dados e suas respectivas anotações:

• A imagem demonstra segmentação de objeto dentro de uma amostra de imagem de carro. Caixas delimitadoras anotadas com máscaras destacam as peças de carro identificadas (por exemplo, faróis, grade).
• O conjunto de dados apresenta uma variedade de imagens capturadas sob diferentes condições (locais, iluminação, densidades de objetos), fornecendo um recurso abrangente para treinar modelos robustos de segmentação de peças de carro.
• Este exemplo ressalta a complexidade do conjunto de dados e a importância de dados de alta qualidade para tarefas de visão computacional, especialmente em domínios especializados como a análise de componentes automotivos. Técnicas como aumento de dados podem aumentar ainda mais a generalização do modelo.

Citações e Agradecimentos

Se você utilizar o conjunto de dados de Segmentação de Peças de Carro em seus esforços de pesquisa ou desenvolvimento, por favor, cite a fonte original:

   @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 },
    }

Reconhecemos a contribuição de Gianmarco Russo e da equipe da Roboflow na criação e manutenção deste valioso conjunto de dados para a comunidade de visão computacional. Para mais conjuntos de dados, visite a coleção de Conjuntos de Dados da Ultralytics.

FAQ

O que é o Conjunto de Dados de Segmentação de Peças de Carro?

O Conjunto de Dados de Segmentação de Peças de Carro é uma coleção especializada de imagens e vídeos para treinar modelos de visão computacional para realizar segmentação em peças de carro. Ele inclui visuais diversificados com anotações detalhadas, adequados para aplicações de IA automotiva.

Como posso usar o Conjunto de Dados de Segmentação de Peças de Carro com o Ultralytics YOLO26?

Você pode treinar um modelo de segmentação Ultralytics YOLO26 usando este conjunto de dados. Carregue um modelo pré-treinado (por exemplo, yolo26n-seg.pt) e inicie o treinamento usando os exemplos em Python ou CLI fornecidos, referenciando o arquivo de configuração carparts-seg.yaml. Verifique o Guia de Treinamento para instruções detalhadas.

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)

Quais são algumas aplicações da Segmentação de Peças de Carro?

A Segmentação de Peças de Carro é útil em:

• Controle de Qualidade Automotivo: Garantir que as peças atendam aos padrões (IA na Manufatura).
• Reparo Automotivo: Identificar peças que precisam de manutenção.
• E-commerce: Catalogar peças online.
• Veículos Autônomos: Melhorar a percepção do veículo (IA Automotiva).
• Seguros: Avaliar danos ao veículo automaticamente.
• Reciclagem: Triar peças eficientemente.

Onde posso encontrar o arquivo de configuração do conjunto de dados para a Segmentação de Peças de Carro?

O arquivo de configuração do conjunto de dados, carparts-seg.yaml, que contém detalhes sobre os caminhos e classes do conjunto de dados, está localizado no repositório GitHub da Ultralytics: carparts-seg.yaml.

Por que devo usar o Conjunto de Dados de Segmentação de Peças de Carro?

Este conjunto de dados oferece dados ricos e anotados, cruciais para o desenvolvimento de modelos de segmentação precisos para aplicações automotivas. Sua diversidade ajuda a melhorar a robustez e o desempenho do modelo em cenários do mundo real, como inspeção automatizada de veículos, melhorando sistemas de segurança e apoiando a tecnologia de direção autônoma. Usar conjuntos de dados de alta qualidade e específicos do domínio como este acelera o desenvolvimento de IA.