Начать

Набор данных сегментации автомобильных деталей

Open Carparts Segmentation Dataset In Colab

Набор данных сегментации автомобильных деталей Ultralytics содержит 3 833 размеченных изображения 23 классов автомобильных деталей — включая бамперы, двери, фары, зеркала, капот и багажник — для обучения моделей сегментации экземпляров задач автомобильного компьютерного зрения. Изображения сняты с разных ракурсов и размечены масками на уровне пикселей. Набор напрямую совместим с Ultralytics YOLO и подходит для контроля качества в автомобильной промышленности, ремонта автомобилей, оценки ущерба для страховых случаев и восприятия окружающей среды автономными транспортными средствами.



Смотри: Как сегментировать автомобильные детали с помощью платформы Ultralytics | Обучение, развертывание и инференс | Ultralytics YOLO26 🚀

Структура набора данных#

Набор данных сегментации автомобильных деталей состоит из 3 833 изображений, распределенных следующим образом:

  • Обучающая выборка: 3,156 изображений, используемых как обучающие данные для модели глубокого обучения.
  • Валидационная выборка: 401 изображение, используемое во время обучения для настройки гиперпараметров и предотвращения переобучения на валидационных данных.
  • Тестовая выборка: 276 изображений для оценки модели на отложенных тестовых данных после обучения.
  • Классы: всего 23 — 22 именованные категории автомобильных деталей (бамперы, двери, фары, стекла, зеркала, капот, задняя дверь, багажник и колеса), а также класс object для деталей, не входящих в эти категории.
  • Размер загрузки: ~133 МБ.

Применение#

Набор данных сегментации автомобильных деталей применяется в разных областях, в том числе:

  • Контроль качества в автомобильной промышленности: обнаружение дефектов и несоответствий автомобильных деталей в процессе производства (ИИ в производстве).
  • Ремонт автомобилей: помощь механикам в определении деталей, которые нужно отремонтировать или заменить.
  • Каталогизация электронной коммерции: автоматическая маркировка и категоризация автомобильных запчастей в интернет-магазинах.
  • Мониторинг дорожного движения: анализ компонентов транспортных средств на кадрах дорожного видеонаблюдения.
  • Автономные транспортные средства: улучшение систем восприятия беспилотных автомобилей, чтобы они лучше распознавали окружающие транспортные средства.
  • Обработка страховых случаев: автоматизация оценки ущерба путем определения поврежденных автомобильных деталей при рассмотрении страховых заявлений.
  • Переработка: сортировка компонентов транспортных средств для эффективной переработки.
  • Инициативы умного города: предоставление данных для городского планирования и систем управления дорожным движением в умных городах.

Полную версию набора данных сегментации автомобильных деталей также можно просматривать и администрировать на платформе Ultralytics.

Файл YAML набора данных#

Файл YAML задает конфигурацию набора данных, включая пути, имена классов и другие важные сведения. Для набора данных сегментации автомобильных деталей файл carparts-seg.yaml доступен по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Подробнее о формате YAML можно узнать на сайте yaml.org.

ultralytics/cfg/datasets/carparts-seg.yaml
# 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') 3156 images
val: images/val # val images (relative to 'path') 401 images
test: images/test # test images (relative to 'path') 276 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

Использование#

Чтобы обучить модель Ultralytics YOLO26n-seg на датасете Carparts Segmentation в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода.

Пример обучения
from ultralytics import YOLO

# Загрузи предварительно обученную модель сегментации, например YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучи модель на наборе данных сегментации автомобильных деталей
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# После обучения можно оценить качество модели на валидационной выборке
results = model.val()

# Или запустить предсказание на новых изображениях и видео
results = model.predict("path/to/your/image.jpg")

Примеры данных и аннотаций#

Ниже приведен пример изображения из набора данных сегментации автомобильных деталей с наложенными масками сегментации объектов. На нем показаны контуры и метки отдельных автомобильных деталей:

Пример набора данных сегментации автомобильных запчастей с размеченными масками деталей

Набор данных охватывает различные места съемки, условия освещения и плотность объектов, благодаря чему обученные на нем модели знакомятся с многообразием реальных сцен, на которые им предстоит обобщать результаты.

Цитирование и благодарности#

Если ты используешь набор данных Carparts Segmentation в исследованиях или разработке, укажи исходный источник:

Цитирование
@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 },
}

Благодарим Джанмарко Руссо и команду Roboflow за создание и поддержку этого ценного набора данных для сообщества компьютерного зрения. Другие наборы данных доступны в коллекции наборов данных Ultralytics.

Часто задаваемые вопросы#

  • Набор данных сегментации автомобильных деталей — это тщательно подобранная коллекция из 3 833 размеченных изображений 23 классов автомобильных деталей: бамперов, дверей, фар, зеркал, капота, багажника и других деталей. Она предназначена для обучения и оценки моделей сегментации экземпляров. Набор создан для задач компьютерного зрения в автомобильной отрасли, таких как контроль качества, ремонт автомобилей и оценка ущерба. Его можно напрямую использовать с Ultralytics YOLO26 с помощью конфигурационного файла carparts-seg.yaml.

  • В наборе данных 3 833 изображения: 3 156 для обучения, 401 для валидации и 276 для тестирования. Они относятся к 23 классам: 22 именованным категориям автомобильных деталей и общему классу object для всех остальных деталей. При первом использовании полный архив автоматически загружается в виде файла .zip размером ~133 МБ.

  • Загрузи предварительно обученную модель сегментации (например, yolo26n-seg.pt) и обучи ее с конфигурацией carparts-seg.yaml, используя примеры для Python или CLI из раздела Использование выше. Полный список доступных аргументов см. в руководстве по обучению.

  • Сегментация автомобильных деталей подходит для контроля качества в автомобильной промышленности, ремонта автомобилей, создания каталогов для электронной торговли, мониторинга дорожного движения, восприятия окружающей среды автономными транспортными средствами, оценки ущерба для страховых случаев, переработки и инициатив «умного города». Подробнее о каждом сценарии использования см. в разделе Применение выше.

  • Файл конфигурации набора данных carparts-seg.yaml, содержащий сведения о путях и классах, находится в репозитории Ultralytics на GitHub: carparts-seg.yaml.

  • Набор данных содержит попиксельную разметку для разработки точных моделей сегментации в автомобильной отрасли. Разнообразие данных повышает устойчивость моделей в реальных сценариях, например при автоматизированном осмотре автомобилей, в системах безопасности транспортных средств и автономном вождении.

Комментарии2

Задай вопрос, поделись результатами или помоги кому-нибудь.

    1. Glenn JocherUltralytics(изменено)

      @SHAHFAISAL80 to test vehicle parts segmentation on any random dataset, you can modify the dataset configuration file (YAML) to point to your dataset's paths and classes. Then, use the following command to train the model:

      yolo segment train data=your_dataset.yaml model=yolo26n-seg.pt epochs=100 imgsz=640

      For more details, visit the Ultralytics documentation.