Link to this sectionНабор данных для сегментации автозапчастей#

Набор данных для сегментации автозапчастей — это тщательно отобранная коллекция изображений и видео, разработанная для приложений компьютерного зрения, в частности для задач сегментации. Этот набор данных предоставляет разнообразные визуальные материалы, снятые с разных ракурсов, предлагая ценные аннотированные примеры для обучения и тестирования моделей сегментации.

Независимо от того, занимаешься ли ты автомобильными исследованиями, разрабатываешь ИИ-решения для обслуживания транспортных средств или изучаешь приложения компьютерного зрения, набор данных для сегментации автозапчастей послужит полезным ресурсом для повышения точности и эффективности твоих проектов с использованием таких моделей, как Ultralytics YOLO.

Link to this sectionСтруктура набора данных#

Распределение данных в наборе для сегментации автозапчастей организовано следующим образом:

• Training set: Includes 3516 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Тестовая выборка: содержит 401 изображение, каждое из которых сопоставлено с соответствующими аннотациями. Эта выборка используется для оценки производительности модели после обучения с использованием тестовых данных.
• Валидационная выборка: состоит из 276 изображений с соответствующими аннотациями. Эта выборка используется во время обучения для настройки гиперпараметров и предотвращения переобучения с помощью валидационных данных.

Link to this sectionПрименение#

Сегментация автозапчастей находит применение в различных областях, включая:

• Контроль качества в автомобильной промышленности: выявление дефектов или несоответствий деталей автомобиля во время производства (ИИ в производстве).
• Авторемонт: помощь механикам в идентификации деталей для ремонта или замены.
• Каталогизация в электронной коммерции: автоматическая маркировка и категоризация автозапчастей в интернет-магазинах для платформ электронной коммерции.
• Мониторинг дорожного движения: анализ компонентов транспортных средств на записях дорожного наблюдения.
• Автономные транспортные средства: улучшение систем восприятия беспилотных 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.
• Инициативы «Умный город»: предоставление данных для городского планирования и систем управления трафиком в рамках «Умных городов».

Точно идентифицируя и категоризируя различные компоненты транспортных средств, сегментация автозапчастей оптимизирует процессы и способствует повышению эффективности и автоматизации в этих отраслях.

Link to this sectionYAML набора данных#

Файл YAML (Yet Another Markup Language) определяет конфигурацию набора данных, включая пути, названия классов и другие важные детали. Для набора данных сегментации автозапчастей файл carparts-seg.yaml доступен по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Ты можешь 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') 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

Link to this sectionИспользование#

Чтобы обучить модель Ultralytics YOLO26 на наборе данных сегментации автозапчастей в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Обратись к руководству по обучению моделей для получения полного списка доступных аргументов и изучи советы по обучению моделей для ознакомления с лучшими практиками.

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")

Link to this sectionПримеры данных и разметки#

Набор данных для сегментации автозапчастей включает разнообразный массив изображений и видео, снятых с разных ракурсов. Ниже приведены примеры, демонстрирующие данные и соответствующие им аннотации:

• Изображение демонстрирует сегментацию объектов на примере автомобиля. Аннотированные ограничивающие рамки с масками подсвечивают идентифицированные части автомобиля (например, фары, решетку радиатора).
• Набор данных содержит множество изображений, снятых в различных условиях (разные локации, освещение, плотность объектов), что обеспечивает комплексный ресурс для обучения надежных моделей сегментации автозапчастей.
• Этот пример подчеркивает сложность набора данных и важность качественных данных для задач компьютерного зрения, особенно в специализированных областях, таких как анализ автомобильных компонентов. Такие методы, как аугментация данных, могут дополнительно улучшить обобщающую способность модели.

Link to this sectionЦитирование 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 признательны за вклад Джанмарко Руссо и команды Roboflow в создание и поддержку этого ценного набора данных для сообщества компьютерного зрения. Чтобы ознакомиться с другими наборами данных, посети коллекцию наборов данных Ultralytics.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных для сегментации автозапчастей?#

Набор данных для сегментации автозапчастей — это специализированная коллекция изображений и видео для обучения моделей компьютерного зрения выполнению сегментации автозапчастей. Он включает разнообразные визуальные материалы с подробными аннотациями, подходящие для автомобильных ИИ-приложений.

Link to this sectionКак мне использовать набор данных для сегментации автозапчастей с Ultralytics YOLO26?#

Ты можешь обучить модель сегментации Ultralytics YOLO26, используя этот набор данных. Загрузи предобученную модель (например, yolo26n-seg.pt) и начни обучение, используя предоставленные примеры Python или CLI, ссылаясь на конфигурационный файл carparts-seg.yaml. Подробные инструкции ищи в руководстве по обучению.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

Link to this sectionКаковы некоторые приложения сегментации автозапчастей?#

Сегментация автозапчастей полезна в:

• Контроле качества в автомобильной промышленности: обеспечение соответствия деталей стандартам (ИИ в производстве).
• Авторемонте: идентификация деталей, требующих обслуживания.
• Электронной коммерции: каталогизация деталей онлайн.
• Автономных транспортных средствах: улучшение восприятия автомобиля (ИИ в автомобилестроении).
• Страховании: автоматическая оценка ущерба транспортному средству.
• Переработке: эффективная сортировка деталей.

Link to this sectionГде я могу найти конфигурационный файл набора данных для сегментации автозапчастей?#

Конфигурационный файл набора данных carparts-seg.yaml, содержащий подробную информацию о путях к данным и классах, расположен в репозитории Ultralytics на GitHub: carparts-seg.yaml.

Link to this sectionПочему мне стоит использовать набор данных для сегментации автозапчастей?#

Этот набор данных предлагает богатые, аннотированные данные, критически важные для разработки точных моделей сегментации для автомобильных приложений. Его разнообразие помогает улучшить устойчивость и производительность модели в реальных сценариях, таких как автоматизированный техосмотр транспортных средств, улучшение систем безопасности и поддержка технологий автономного вождения. Использование качественных, предметно-ориентированных наборов данных, подобных этому, ускоряет разработку ИИ.