Набор данных для сегментации автозапчастей#

Датасет сегментации автозапчастей Ultralytics содержит 3 833 аннотированных изображения по 23 классам автозапчастей — включая бамперы, двери, фары, зеркала, капот и багажник, — для обучения моделей instance segmentation в задачах автомобильного computer vision. Полученный с разных ракурсов и аннотированный с помощью пиксельных масок, он напрямую сочетается с Ultralytics YOLO для сценариев использования от контроля качества автомобилей и авторемонта до оценки повреждений по страховым случаям и восприятия в беспилотных транспортных средствах.

Структура набора данных#

Набор данных Carparts Segmentation Dataset распределяет свои 3 833 изображения следующим образом:

• Training set: 3 156 изображений, используемых для обучения модели deep learning.
• Validation set: 401 изображение, используемое во время обучения для настройки гиперпараметров и предотвращения переобучения на данных валидации.
• Testing set: 276 изображений, используемых для оценки модели на отложенных тестовых данных после обучения.
• Classes: всего 23 — 22 именованные категории автозапчастей (бамперы, двери, фары, стекла, зеркала, капот, дверь багажника, багажник и колеса) плюс универсальный класс object для деталей вне этих категорий.
• Download size: ~133 MB.

Применение#

Сегментация автозапчастей находит применение в различных областях, включая:

• Automotive Quality Control: Выявление дефектов или несоответствий в автозапчастях при производстве (ИИ в производстве).
• Авторемонт: помощь механикам в идентификации деталей для ремонта или замены.
• E-commerce Cataloging: Автоматическое тегирование и категоризация автозапчастей в интернет-магазинах для платформ e-commerce.
• Мониторинг дорожного движения: анализ компонентов транспортных средств на записях дорожного наблюдения.
• Autonomous Vehicles: Улучшение систем восприятия автономных автомобилей для лучшего понимания окружающих транспортных средств.
• Обработка страховых случаев: автоматизация оценки ущерба путем идентификации поврежденных деталей автомобиля при оформлении страховых выплат.
• Переработка: сортировка компонентов транспортных средств для эффективных процессов вторичной переработки.
• Smart City Initiatives: Предоставление данных для систем городского планирования и управления дорожным движением в рамках концепции Smart Cities.

Полный датасет сегментации автозапчастей также можно просматривать и управлять им на платформе Ultralytics.

YAML набора данных#

Файл YAML определяет конфигурацию датасета, включая пути, имена классов и другие важные детали. Для датасета сегментации автозапчастей файл carparts-seg.yaml доступен по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Вы можете узнать больше о формате YAML на сайте 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') 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 YOLO26 на датасете сегментации автозапчастей в течение 100 эпох с размером изображения 640, используйте следующие фрагменты кода. Обратитесь к руководству по обучению модели для получения исчерпывающего списка доступных аргументов и изучите советы по обучению моделей для лучших практик.

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")

Примеры данных и разметки#

Ниже представлен пример изображения из датасета сегментации автозапчастей с наложенными масками сегментации объектов, показывающий, как обрисованы и подписаны отдельные автозапчасти:

Набор данных охватывает различные локации, условия освещения и плотность объектов, что позволяет моделям, обученным на нем, получить представление о широком спектре реальных сцен, необходимых для обобщения.

Цитирование и благодарности#

Если ты используешь набор данных для сегментации автозапчастей в своих исследованиях или разработках, пожалуйста, сошлись на исходный источник:

@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 },
}

Мы признаем вклад Джанмарко Руссо и команды Roboflow в создание и поддержку этого ценного датасета для сообщества computer vision. Чтобы найти больше датасетов, посетите коллекцию датасетов Ultralytics.

FAQ#