Salta para o conteúdo

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

The Roboflow Carparts Segmentation Dataset is a curated collection of images and videos designed for computer vision applications, specifically focusing on segmentation tasks related to car parts. This dataset provides a diverse set of visuals captured from multiple perspectives, offering valuable annotated examples for training and testing segmentation models.

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



Observa: Carparts Segmentação de instâncias Using Ultralytics HUB

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 pelas anotações correspondentes.
  • Conjunto de teste: Compreende 276 imagens, sendo 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. 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/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

To train Ultralytics YOLO11n model on the Carparts Segmentation dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

Exemplo de comboio

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, encontrarás exemplos de dados do conjunto de dados juntamente com as anotações correspondentes:

Imagem de amostra do conjunto de dados

  • 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 composto por um conjunto variado de imagens capturadas 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 integrares o conjunto de dados Carparts Segmentation nos teus projectos de investigação ou desenvolvimento, faz 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, visita a página CarParts Segmentation Dataset.

FAQ

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

O Roboflow Carparts Segmentation Dataset 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 capturadas de várias perspectivas, o que o torna um recurso inestimável para treinar e testar modelos de segmentação para aplicações automóveis.

How can I use the Carparts Segmentation Dataset with Ultralytics YOLO11?

To train a YOLO11 model on the Carparts Segmentation dataset, you can follow these steps:

Exemplo de comboio

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 informações, consulta a documentação de formação.

Quais são as aplicações da segmentação de peças de automóvel?

Carparts Segmentation can be widely applied in various fields such as:

  • Automotive quality control
  • Auto repair and maintenance
  • E-commerce cataloging
  • Traffic monitoring
  • Autonomous vehicles
  • Insurance claim processing
  • Recycling initiatives
  • Smart city projects

Esta segmentação ajuda a identificar e categorizar com precisão os diferentes componentes dos veículos, melhorando 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.yaml, pode ser encontrado no seguinte local: carparts-seg.yaml.

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

The Carparts Segmentation Dataset provides rich, annotated data essential for developing high-accuracy segmentation models in automotive computer vision. This dataset's diversity and detailed annotations improve model training, making it ideal for applications like vehicle maintenance automation, enhancing vehicle safety systems, and supporting autonomous driving technologies. Partnering with a robust dataset accelerates AI development and ensures better model performance.

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

📅 Created 9 months ago ✏️ Updated 22 days ago
UltralyticsAssistant glenn-jocher MatthewNoyce RizwanMunawar

Comentários