Link to this sectionConjunto de Dados de Segmentação de Peças Automotivas#

O Carparts Segmentation Dataset é uma coleção selecionada de imagens e vídeos concebida para aplicações de computer vision, com foco específico em segmentation tasks. Este conjunto de dados fornece um conjunto diversificado de elementos visuais capturados a partir de múltiplas perspectivas, oferecendo exemplos annotated valiosos para treinar e testar modelos de segmentação.

Estejas a trabalhar 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 Automotivas serve como um recurso valioso para melhorar a precisão e eficiência dos teus projetos usando modelos como o Ultralytics YOLO.

Link to this sectionEstrutura do Dataset#

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

• Training set: Includes 3516 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Conjunto de teste: Composto por 401 imagens, cada uma emparelhada com as suas respetivas anotações. Este conjunto é usado para avaliar o desempenho do modelo após o treino usando dados de teste.
• Validation set: Consiste em 276 imagens, cada uma com anotações correspondentes. Este conjunto é utilizado durante o treino para ajustar hyperparameters e prevenir overfitting usando validation data.

Link to this sectionAplicações#

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

• Controlo de Qualidade Automotiva: Identificação de defeitos ou inconsistências em peças de automóveis durante o fabrico (IA na Manufatura).
• Reparação Automotiva: Auxiliar mecânicos a identificar peças para reparação ou substituição.
• Catalogação de E-commerce: Etiquetagem e categorização automática de peças de automóveis em lojas online para plataformas de e-commerce.
• Monitorização de Tráfego: Análise de componentes de veículos em filmagens de vigilância de tráfego.
• Veículos Autónomos: Melhoria dos sistemas de perceção de carros autoconduzidos para compreender melhor os veículos circundantes.
• Processamento de Seguros: Automatização da avaliação de danos através da identificação de peças de automóveis afetadas durante pedidos de indemnização.
• Reciclagem: Triagem de componentes de veículos para processos de reciclagem eficientes.
• Iniciativas de Cidades Inteligentes: Contribuição de dados para o planeamento urbano e sistemas de gestão de tráfego dentro de Cidades Inteligentes.

Ao identificar e categorizar com precisão diferentes componentes de veículos, a segmentação de peças automotivas simplifica processos e contribui para uma maior eficiência e automação em todas estas indústrias.

Link to this sectionYAML do Dataset#

Um ficheiro 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 Automotivas, o ficheiro carparts-seg.yaml está disponível em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Podes 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 (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

Link to this sectionUso#

Para treinar um modelo Ultralytics YOLO26 no conjunto de dados Carparts Segmentation durante 100 epochs com um tamanho de imagem de 640, utiliza os seguintes fragmentos de código. Consulta o Training guide do modelo para obter uma lista abrangente de argumentos disponíveis e explora as model training tips para conhecer 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")

Link to this sectionDados de Amostra e Anotações#

O conjunto de dados de Segmentação de Peças Automotivas inclui uma gama diversificada de imagens e vídeos capturados de várias perspetivas. Abaixo estão exemplos que mostram os dados e as suas anotações correspondentes:

• A imagem demonstra object segmentation dentro de uma amostra de imagem de um carro. bounding boxes anotadas com máscaras destacam as peças de carro identificadas (por exemplo, faróis, grelha).
• O conjunto de dados apresenta uma variedade de imagens capturadas sob diferentes condições (localizações, iluminação, densidades de objetos), fornecendo um recurso abrangente para treinar modelos robustos de segmentação de peças de carro.
• Este exemplo sublinha 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 melhorar ainda mais a generalização do modelo.

Link to this sectionCitações e Agradecimentos#

Se utilizares o conjunto de dados de Segmentação de Peças Automotivas nos teus esforços de investigação ou desenvolvimento, por favor cita 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 equipa Roboflow na criação e manutenção deste valioso conjunto de dados para a comunidade de computer vision. Para mais conjuntos de dados, visita a Ultralytics Datasets collection.

Link to this sectionFAQ#

Link to this sectionO que é o Conjunto de Dados de Segmentação de Peças Automotivas?#

O Carparts Segmentation Dataset é uma coleção especializada de imagens e vídeos para treinar modelos de computer vision para realizar segmentation em peças de carros. Inclui diversos visuais com anotações detalhadas, adequados para aplicações de IA automóvel.

Link to this sectionComo posso usar o Conjunto de Dados de Segmentação de Peças Automotivas com o Ultralytics YOLO26?#

Podes treinar um modelo de segmentação Ultralytics YOLO26 usando este conjunto de dados. Carrega um modelo pré-treinado (por exemplo, yolo26n-seg.pt) e inicia o treino usando os exemplos de Python ou CLI fornecidos, referenciando o ficheiro de configuração carparts-seg.yaml. Verifica o Guia de Treino 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)

Link to this sectionQuais são algumas aplicações da Segmentação de Peças Automotivas?#

A Segmentação de Peças Automotivas é útil em:

• Controlo de Qualidade Automotiva: Garantir que as peças cumprem os padrões (IA na Manufatura).
• Reparação Automotiva: Identificar peças que precisam de assistência.
• E-commerce: Catalogar peças online.
• Veículos Autónomos: Melhorar a perceção do veículo (IA em Automotiva).
• Seguros: Avaliar danos em veículos automaticamente.
• Reciclagem: Triar peças de forma eficiente.

Link to this sectionOnde posso encontrar o ficheiro de configuração do conjunto de dados para a Segmentação de Peças Automotivas?#

O ficheiro 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.

Link to this sectionPor que devo usar o Conjunto de Dados de Segmentação de Peças Automotivas?#

Este conjunto de dados oferece dados ricos e anotados, cruciais para o desenvolvimento de segmentation models 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, melhorando os sistemas de segurança e apoiando a tecnologia de condução autónoma. A utilização de conjuntos de dados de alta qualidade e específicos do domínio como este acelera o desenvolvimento de IA.