Conjunto de dados de segmentação de peças de automóvel

O conjunto de dados de segmentação Carparts, disponível no Roboflow Universe, é uma coleção de imagens e vídeos concebidos para aplicações de visão por computador, centrando-se especificamente em tarefas de segmentação. Alojado no Roboflow Universe, 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 melhorar a precisão e a eficiência dos seus projectos utilizando modelos como Ultralytics YOLO.

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 seguinte forma:

• Conjunto de treino: Inclui 3156 imagens, cada uma acompanhada das anotações correspondentes. Este conjunto é utilizado para treinar o modelo de aprendizagem profunda.
• Conjunto de teste: Inclui 276 imagens, cada uma delas emparelhada com as respectivas anotações. Este conjunto é utilizado para avaliar o desempenho do modelo após o treino com dados de teste.
• Conjunto de validação: Consiste em 401 imagens, cada uma com anotações correspondentes. Este conjunto é utilizado durante o treino para afinar os hiperparâmetros e evitar o sobreajuste utilizando dados de validação.

Aplicações

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

• Controlo da qualidade automóvel: Identificação de defeitos ou inconsistências em peças de automóveis durante o fabrico(IA no fabrico).
• Reparação automóvel: Ajudar os mecânicos a identificar peças para reparação ou substituição.
• Catalogação de comércio eletrónico: Marcação e categorização automática de peças de automóveis em lojas online para plataformas de comércio eletrónico.
• Monitorização do tráfego: Análise de componentes de veículos em imagens de vigilância de tráfego.
• Veículos autónomos: Melhorar os sistemas de perceção dos veículos autónomos para compreender melhor os veículos circundantes.
• Processamento de seguros: Automatização da avaliação de danos através da identificação de peças de automóveis afectadas durante as reclamações de seguros.
• Reciclagem: Seleção de componentes de veículos para processos de reciclagem eficientes.
• Iniciativas de cidades inteligentes: Contribuir com dados para o planeamento urbano e sistemas de gestão de tráfego em cidades inteligentes.

Ao identificar e categorizar com precisão os diferentes componentes dos veículos, a segmentação das peças automóveis simplifica os processos e contribui para uma maior eficiência e automatização nestas indústrias.

Conjunto de dados YAML

A 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 Carparts Segmentation, o ficheiro carparts-seg.yaml O ficheiro está disponível em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Pode saber 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 (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 formar um Ultralytics YOLO11 no conjunto de dados Carparts Segmentation para 100 épocas com um tamanho de imagem de 640, use os seguintes trechos de código. Consulte o guia de treinamento do modelo para obter uma lista abrangente dos argumentos disponíveis e explore as dicas de treinamento do modelo para obter as práticas recomendadas.

from ultralytics import YOLO

# Load a pretrained segmentation model like YOLO11n-seg
model = YOLO("yolo11n-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")

# Start training from a pretrained *.pt model using the Command Line Interface
# Specify the dataset config file, model, number of epochs, and image size
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

# Validate the trained model using the validation set
# yolo segment val model=path/to/best.pt

# Predict using the trained model on a specific image source
# yolo segment predict model=path/to/best.pt source=path/to/your/image.jpg

Dados de amostra e anotações

O conjunto de dados de segmentação de peças de automóvel inclui um conjunto diversificado de imagens e vídeos capturados de várias perspectivas. Abaixo estão exemplos que mostram os dados e as anotações correspondentes:

• A imagem demonstra a segmentação de objectos numa amostra de imagem de um automóvel. As caixas delimitadoras anotadas com máscaras destacam as partes do automóvel identificadas (por exemplo, faróis, grelha).
• O conjunto de dados apresenta uma variedade de imagens capturadas em diferentes condições (localizações, iluminação, densidades de objectos), fornecendo um recurso abrangente para treinar modelos robustos de segmentação de peças de automóveis.
• Este exemplo sublinha a complexidade do conjunto de dados e a importância de dados de alta qualidade para tarefas de visão por computador, especialmente em domínios especializados como a análise de componentes automóveis. Técnicas como o aumento de dados podem melhorar ainda mais a generalização do modelo.

Citações e agradecimentos

Se utilizar o conjunto de dados Carparts Segmentation nos seus esforços de investigação ou desenvolvimento, 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 },
        journal = { Roboflow Universe },
        publisher = { Roboflow },
        year = { 2023 },
        month = { nov },
        note = { visited on 2024-01-24 },
    }

Agradecemos a contribuição de Gianmarco Russo e da equipa Roboflow na criação e manutenção deste valioso conjunto de dados para a comunidade de visão computacional. Para mais conjuntos de dados, visite a coleçãoUltralytics Datasets.

FAQ

O que é o conjunto de dados de segmentação Carparts?

O Carparts Segmentation Dataset é uma coleção especializada de imagens e vídeos para treinar modelos de visão por computador para realizar a segmentação em peças de automóveis. Inclui diversos visuais com anotações detalhadas, adequados para aplicações de IA automóvel.

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

É possível formar um Ultralytics YOLO11 modelo de segmentação usando este conjunto de dados. Carregue um modelo pré-treinado (por exemplo, yolo11n-seg.pt) e iniciar a formação utilizando os exemplos Python ou CLI fornecidos, referenciando o carparts-seg.yaml ficheiro de configuração. Verificar o ficheiro Guia de formação para obter instruções pormenorizadas.

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)

yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

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

Carparts A segmentação é útil em:

• Controlo de qualidade automóvel: Garantir que as peças cumprem as normas(IA no fabrico).
• Reparação automóvel: Identificar as peças que necessitam de manutenção.
• Comércio eletrónico: Catalogação de peças em linha.
• Veículos autónomos: Melhorar a perceção do veículo(IA no sector automóvel).
• Seguro: Avaliação automática dos danos do veículo.
• Reciclagem: Seleção eficiente de peças.

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, carparts-seg.yamlque contém detalhes sobre os caminhos e as classes do conjunto de dados, está localizado no repositório GitHub do Ultralytics : carparts-seg.yaml.

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

Este conjunto de dados oferece dados ricos e anotados, cruciais para o desenvolvimento de modelos de segmentação precisos para aplicações automóveis. A sua diversidade ajuda a melhorar a robustez e o desempenho do modelo em cenários do mundo real, como a inspeção automatizada de veículos, o reforço dos sistemas de segurança e o apoio à tecnologia de condução autónoma. A utilização de conjuntos de dados de alta qualidade e específicos de um domínio como este acelera o desenvolvimento da IA.

📅C riado há 1 ano ✏️ Atualizado há 16 dias

Comentários