Roboflow Conjunto de dados de segmentação de peças de automóvel do universo

O Roboflow Carparts Segmentation Dataset é uma coleção de imagens e vídeos concebidos para aplicações de visão por computador, centrando-se especificamente em tarefas de segmentação relacionadas com peças de automóveis. Este conjunto de dados fornece um conjunto diversificado de imagens capturadas de várias perspectivas, oferecendo exemplos anotados valiosos para treinar e testar modelos de segmentação.

Quer esteja a trabalhar em investigação automóvel, a desenvolver soluções de IA para manutenção de veículos ou a explorar aplicações de visão computacional, o Carparts Segmentation Dataset é um recurso valioso para aumentar a precisão e a eficiência dos seus projectos.

Ver: Peças de automóvel Segmentação de instâncias com Ultralytics YOLO11

Estrutura do conjunto de dados

A distribuição de dados no Carparts Segmentation Dataset está organizada da forma descrita abaixo:

• Conjunto de treino: Inclui 3156 imagens, cada uma acompanhada das suas anotações correspondentes.
• Conjunto de teste: Inclui 276 imagens, cada uma delas emparelhada com as respectivas anotações.
• Conjunto de validação: Consiste em 401 imagens, cada uma com anotações correspondentes.

Aplicações

A segmentação de peças automóveis encontra aplicações no controlo de qualidade automóvel, reparação automóvel, catalogação de comércio eletrónico, monitorização do tráfego, veículos autónomos, processamento de seguros, reciclagem e iniciativas de cidades inteligentes. Simplifica os processos ao identificar e categorizar com precisão os diferentes componentes dos veículos, contribuindo para a eficiência e a automatização em várias indústrias.

Conjunto de dados YAML

Um ficheiro YAML (Yet Another Markup Language) é utilizado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. No caso do conjunto de dados Segmentação de pacotes, o arquivo carparts-seg.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml.

# Ultralytics YOLO 🚀, 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
# ├── ultralytics
# └── datasets
#     └── carparts-seg  ← 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

Utilização

Para treinar o modelo Ultralytics YOLO11n no conjunto de dados Carparts Segmentation para 100 épocas com um tamanho de imagem de 640, pode utilizar os seguintes fragmentos de código. Para obter uma lista completa dos argumentos disponíveis, consulte a página Treinamento do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Dados de amostra e anotações

O conjunto de dados Carparts Segmentation inclui um conjunto diversificado de imagens e vídeos tirados de várias perspectivas. Abaixo, encontrará exemplos de dados do conjunto de dados juntamente com as anotações correspondentes:

• Esta imagem ilustra a segmentação de objectos numa amostra, apresentando caixas delimitadoras anotadas com máscaras à volta dos objectos identificados. O conjunto de dados é constituído por um conjunto variado de imagens captadas em vários locais, ambientes e densidades, servindo como um recurso abrangente para a criação de modelos específicos para esta tarefa.
• Este exemplo realça a diversidade e complexidade inerentes ao conjunto de dados, enfatizando o papel crucial de dados de alta qualidade em tarefas de visão computacional, particularmente no domínio da segmentação de peças de automóveis.

Citações e agradecimentos

Se integrar o conjunto de dados Carparts Segmentation nos seus projectos de investigação ou desenvolvimento, faça referência ao seguinte documento:

   @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 },
    }

Agradecemos à equipa Roboflow pela sua dedicação no desenvolvimento e gestão do conjunto de dados Carparts Segmentation, um recurso valioso para a manutenção de veículos e projectos de investigação. Para mais informações sobre o conjunto de dados Carparts Segmentation e os seus criadores, visite a página do conjunto de dados CarParts Segmentation.

FAQ

O que é o conjunto de dados de segmentação Roboflow Carparts?

O conjunto de dados de segmentação de peças de automóveisRoboflow é uma coleção de imagens e vídeos especificamente concebidos para tarefas de segmentação de peças de automóveis em visão computacional. Este conjunto de dados inclui uma gama diversificada de imagens captadas de várias perspectivas, o que o torna um recurso inestimável para treinar e testar modelos de segmentação para aplicações automóveis.

Como posso utilizar o conjunto de dados de segmentação Carparts com Ultralytics YOLO11 ?

Para treinar um modelo YOLO11 no conjunto de dados Carparts Segmentation, pode seguir estes passos:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Para mais pormenores, consulte a documentação de formação.

Quais são algumas das aplicações da segmentação de peças de automóvel?

A segmentação de peças de automóvel pode ser amplamente aplicada em vários domínios, tais como:

• Controlo de qualidade automóvel
• Reparação e manutenção automóvel
• Catalogação do comércio eletrónico
• Monitorização do tráfego
• Veículos autónomos
• Processamento de pedidos de indemnização de seguros
• Iniciativas de reciclagem
• Projectos de cidades inteligentes

Esta segmentação ajuda a identificar e categorizar com precisão os diferentes componentes dos veículos, aumentando a eficiência e a automatização nestas indústrias.

Onde posso encontrar o ficheiro de configuração do conjunto de dados para a segmentação de peças de automóvel?

O ficheiro de configuração do conjunto de dados para o conjunto de dados Carparts Segmentation, carparts-seg.yamlO seu nome e endereço de correio eletrónico podem ser encontrados no seguinte local: carparts-seg.yaml.

Por que razão devo utilizar o conjunto de dados de segmentação Carparts?

O conjunto de dados de segmentação Carparts fornece dados ricos e anotados essenciais para o desenvolvimento de modelos de segmentação de elevada precisão na visão computacional automóvel. A diversidade e as anotações detalhadas deste conjunto de dados melhoram a formação de modelos, tornando-o ideal para aplicações como a automatização da manutenção de veículos, a melhoria dos sistemas de segurança dos veículos e o apoio a tecnologias de condução autónoma. A parceria com um conjunto de dados robusto acelera o desenvolvimento da IA e garante um melhor desempenho do modelo.

Para obter mais detalhes, visite a página do conjunto de dados de segmentação CarParts.

📅C riado há 10 meses ✏️ Atualizado há 12 dias

Comentários