Salta para o conteĆŗdo

Roboflow Conjunto de dados de segmentaĆ§Ć£o de peƧas de automĆ³vel do universo

O conjunto de dados de segmentaĆ§Ć£o Roboflow Carparts Segmentation Dataset Ć© uma coleĆ§Ć£o de imagens e vĆ­deos concebidos para aplicaƧƵes de visĆ£o por computador, centrando-se especificamente em tarefas de segmentaĆ§Ć£o relacionadas com peƧas de automĆ³veis. Este conjunto de dados fornece um conjunto diversificado de imagens capturadas de vĆ”rias perspectivas, oferecendo exemplos anotados valiosos para treinar e testar modelos de segmentaĆ§Ć£o.

Quer estejas a trabalhar em investigaĆ§Ć£o automĆ³vel, a desenvolver soluƧƵes de IA para manutenĆ§Ć£o de veĆ­culos ou a explorar aplicaƧƵes de visĆ£o por computador, o Carparts Segmentation Dataset Ć© um recurso valioso para aumentar a precisĆ£o e a eficiĆŖncia dos teus projectos.

Estrutura do conjunto de dados

A distribuiĆ§Ć£o de dados no Carparts Segmentation Dataset estĆ” organizada da forma descrita abaixo:

  • Conjunto de treino: Inclui 3156 imagens, cada uma acompanhada pelas anotaƧƵes correspondentes.
  • Conjunto de teste: Compreende 276 imagens, sendo cada uma delas emparelhada com as respectivas anotaƧƵes.
  • Conjunto de validaĆ§Ć£o: Consiste em 401 imagens, cada uma com anotaƧƵes correspondentes.

AplicaƧƵes

A segmentaĆ§Ć£o de peƧas de automĆ³vel encontra aplicaƧƵes no controlo de qualidade automĆ³vel, reparaĆ§Ć£o automĆ³vel, catalogaĆ§Ć£o de comĆ©rcio eletrĆ³nico, monitorizaĆ§Ć£o do trĆ”fego, veĆ­culos autĆ³nomos, processamento de seguros, reciclagem e iniciativas de cidades inteligentes. Simplifica os processos ao identificar e categorizar com precisĆ£o os diferentes componentes dos veĆ­culos, contribuindo para a eficiĆŖncia e a automatizaĆ§Ć£o em vĆ”rias indĆŗstrias.

Conjunto de dados YAML

Um ficheiro YAML (Yet Another Markup Language) Ć© utilizado para definir a configuraĆ§Ć£o do conjunto de dados. ContĆ©m informaƧƵes sobre os caminhos do conjunto de dados, classes e outras informaƧƵes relevantes. No caso do conjunto de dados SegmentaĆ§Ć£o de pacotes, o arquivo carparts-seg.yaml Ć© mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml.

ultralytics/cfg/datasets/carparts-seg.yaml

# Ultralytics YOLO šŸš€, 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
# ā”œā”€ā”€ ultralytics
# ā””ā”€ā”€ datasets
#     ā””ā”€ā”€ carparts-seg  ā† 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://ultralytics.com/assets/carparts-seg.zip

UtilizaĆ§Ć£o

Para treinar o modelo Ultralytics YOLOv8n no conjunto de dados Carparts Segmentation para 100 Ć©pocas com um tamanho de imagem de 640, podes utilizar os seguintes snippets de cĆ³digo. Para obter uma lista abrangente dos argumentos disponĆ­veis, consulta a pĆ”gina de treino do modelo.

Exemplo de comboio

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Dados de amostra e anotaƧƵes

O conjunto de dados Carparts Segmentation inclui um conjunto diversificado de imagens e vƭdeos tirados de vƔrias perspectivas. Abaixo, encontrarƔs exemplos de dados do conjunto de dados juntamente com as anotaƧƵes correspondentes:

Imagem de amostra do conjunto de dados

  • Esta imagem ilustra a segmentaĆ§Ć£o de objectos numa amostra, apresentando caixas delimitadoras anotadas com mĆ”scaras Ć  volta dos objectos identificados. O conjunto de dados Ć© composto por um conjunto variado de imagens capturadas em vĆ”rios locais, ambientes e densidades, servindo como um recurso abrangente para a criaĆ§Ć£o de modelos especĆ­ficos para esta tarefa.
  • Este exemplo realƧa a diversidade e complexidade inerentes ao conjunto de dados, enfatizando o papel crucial de dados de alta qualidade em tarefas de visĆ£o computacional, particularmente no domĆ­nio da segmentaĆ§Ć£o de peƧas de automĆ³veis.

CitaƧƵes e agradecimentos

Se integrares o conjunto de dados Carparts Segmentation nos teus projectos de investigaĆ§Ć£o ou desenvolvimento, faz referĆŖncia 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 Ć  equipa Roboflow pela sua dedicaĆ§Ć£o no desenvolvimento e gestĆ£o do conjunto de dados Carparts Segmentation, um recurso valioso para a manutenĆ§Ć£o de veĆ­culos e projectos de investigaĆ§Ć£o. Para mais informaƧƵes sobre o conjunto de dados Carparts Segmentation e os seus criadores, visita a pĆ”gina CarParts Segmentation Dataset.



Criado em 2024-01-25, Atualizado em 2024-02-08
Autores: chr043416@gmail.com (1), glenn-jocher (1)

ComentƔrios