Набор данных для сегментации автозапчастей
Датасет Carparts Segmentation, доступный на Roboflow Universe, представляет собой тщательно подобранную коллекцию изображений и видео, предназначенную для приложений компьютерного зрения, в частности, для задач сегментации. Этот набор данных, размещенный на Roboflow Universe, предоставляет разнообразный набор визуальных материалов, снятых с разных точек зрения, предлагая ценные аннотированные примеры для обучения и тестирования моделей сегментации.
Независимо от того, работаете ли вы над автомобильными исследованиями, разрабатываете решения AI для обслуживания транспортных средств или изучаете приложения компьютерного зрения, набор данных Carparts Segmentation Dataset служит ценным ресурсом для повышения точности и эффективности ваших проектов с использованием таких моделей, как Ultralytics YOLO.
Смотреть: Автозапчасти Сегментация экземпляров с Ultralytics YOLO11.
Структура набора данных
Распределение данных в наборе данных Carparts Segmentation Dataset организовано следующим образом:
- Обучающий набор: Включает 3156 изображений, каждое из которых сопровождается соответствующими аннотациями. Этот набор используется для обучения модели глубокого обучения.
- Набор для тестирования: Состоит из 276 изображений, каждое из которых сопоставлено со своими аннотациями. Этот набор используется для оценки производительности модели после обучения с использованием тестовых данных.
- Набор для валидации: Состоит из 401 изображения, каждое из которых имеет соответствующие аннотации. Этот набор используется во время обучения для настройки гиперпараметров и предотвращения переобучения с использованием данных валидации.
Приложения
Сегментация автозапчастей находит применение в различных областях, включая:
- Контроль качества автомобилей: Выявление дефектов или несоответствий в автомобильных деталях во время производства (ИИ в производстве).
- Авторемонт: Помощь механикам в идентификации деталей для ремонта или замены.
- Каталогизация для электронной коммерции: Автоматическая маркировка и категоризация автомобильных запчастей в интернет-магазинах для платформ электронной коммерции.
- Мониторинг трафика: Анализ компонентов транспортных средств на видеозаписях дорожного наблюдения.
- Автономные транспортные средства: Улучшение систем восприятия самоуправляемых автомобилей для лучшего понимания окружающих транспортных средств.
- Обработка страховых случаев: Автоматизация оценки ущерба путем определения поврежденных частей автомобиля во время страховых случаев.
- Переработка: Сортировка автомобильных компонентов для эффективной переработки.
- Инициативы «Умный город»: Предоставление данных для систем городского планирования и управления дорожным движением в рамках «Умных городов».
Точно идентифицируя и классифицируя различные компоненты транспортных средств, сегментация автозапчастей оптимизирует процессы и способствует повышению эффективности и автоматизации в этих отраслях.
YAML-файл набора данных
A YAML (Yet Another Markup Language) файл определяет конфигурацию набора данных, включая пути, имена классов и другие важные детали. Для набора данных Carparts Segmentation, carparts-seg.yaml
файл доступен по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Вы можете узнать больше о формате YAML на 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') 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
Использование
Чтобы обучить модель Ultralytics YOLO11 на наборе данных Carparts Segmentation в течение 100 эпох с размером изображения 640, используйте следующие фрагменты кода. Обратитесь к руководству по обучению модели для получения полного списка доступных аргументов и изучите советы по обучению модели для получения рекомендаций.
Пример обучения
from ultralytics import YOLO
# Load a pretrained segmentation model like YOLO11n-seg
model = YOLO("yolo11n-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")
# Start training from a pretrained *.pt model using the Command Line Interface
# Specify the dataset config file, model, number of epochs, and image size
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
# Validate the trained model using the validation set
# yolo segment val model=path/to/best.pt
# Predict using the trained model on a specific image source
# yolo segment predict model=path/to/best.pt source=path/to/your/image.jpg
Примеры данных и аннотации
Датасет Carparts Segmentation включает в себя разнообразный набор изображений и видео, снятых с разных точек зрения. Ниже приведены примеры, демонстрирующие данные и соответствующие аннотации:
- На изображении показана сегментация объектов на примере автомобильного изображения. Аннотированные ограничивающие рамки с масками выделяют идентифицированные части автомобиля (например, фары, решетка радиатора).
- Набор данных содержит множество изображений, снятых в различных условиях (местоположение, освещение, плотность объектов), что обеспечивает всесторонний ресурс для обучения надежных моделей сегментации деталей автомобилей.
- Этот пример подчеркивает сложность набора данных и важность высококачественных данных для задач компьютерного зрения, особенно в специализированных областях, таких как анализ автомобильных компонентов. Такие методы, как аугментация данных, могут еще больше улучшить обобщение модели.
Цитирование и благодарности
Если вы используете набор данных Carparts Segmentation в своих исследованиях или разработках, пожалуйста, укажите оригинальный 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 },
journal = { Roboflow Universe },
publisher = { Roboflow },
year = { 2023 },
month = { nov },
note = { visited on 2024-01-24 },
}
Мы признательны Джанмарко Руссо и команде Roboflow за создание и поддержку этого ценного набора данных для сообщества компьютерного зрения. Больше наборов данных можно найти в коллекции датасетов Ultralytics.
Часто задаваемые вопросы
Что такое набор данных Carparts Segmentation Dataset?
Датасет Carparts Segmentation — это специализированная коллекция изображений и видео для обучения моделей компьютерного зрения выполнению сегментации автомобильных деталей. Он включает в себя разнообразные визуальные материалы с подробными аннотациями, подходящие для автомобильных приложений с использованием ИИ.
Как я могу использовать датасет Carparts Segmentation Dataset с Ultralytics YOLO11?
Вы можете обучить Ultralytics YOLO11 модель сегментации, используя этот набор данных. Загрузите предварительно обученную модель (например, yolo11n-seg.pt
) и инициируйте обучение, используя предоставленные примеры Python или CLI, ссылаясь на carparts-seg.yaml
файл конфигурации. Проверьте Руководство по обучению для получения подробных инструкций.
Пример фрагмента обучения
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)
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Каковы некоторые области применения сегментации Carparts?
Сегментация автозапчастей полезна в:
- Контроль качества автомобилей: Обеспечение соответствия деталей стандартам (ИИ в производстве).
- Авторемонт: Определение деталей, нуждающихся в обслуживании.
- Электронная коммерция: Каталогизация запчастей онлайн.
- Автономные транспортные средства: Улучшение восприятия транспортных средств (ИИ в автомобильной промышленности).
- Страхование: Автоматическая оценка повреждений транспортного средства.
- Переработка: Эффективная сортировка деталей.
Где я могу найти файл конфигурации набора данных для Carparts Segmentation?
Файл конфигурации набора данных, carparts-seg.yaml
, который содержит подробную информацию о путях к набору данных и классах, находится в репозитории Ultralytics на GitHub: carparts-seg.yaml.
Почему мне следует использовать набор данных Carparts Segmentation Dataset?
Этот набор данных предлагает богатые аннотированные данные, имеющие решающее значение для разработки точных моделей сегментации для автомобильных приложений. Его разнообразие помогает улучшить устойчивость и производительность модели в реальных сценариях, таких как автоматизированный осмотр транспортных средств, улучшение систем безопасности и поддержка технологии автономного вождения. Использование высококачественных, специфичных для предметной области наборов данных, таких как этот, ускоряет разработку ИИ.