Набор данных сегментации автозапчастей (Carparts Segmentation Dataset)

Carparts Segmentation Dataset — это специально подобранная коллекция изображений и видео, предназначенная для приложений компьютерного зрения, в частности для задач сегментации. Этот набор данных содержит разнообразные визуальные материалы, снятые с различных ракурсов, и предоставляет ценные аннотированные примеры для обучения и тестирования моделей сегментации.

Независимо от того, занимаешься ли ты автомобильными исследованиями, разработкой AI-решений для обслуживания автомобилей или изучаешь приложения компьютерного зрения, Carparts Segmentation Dataset послужит полезным ресурсом для повышения точности и эффективности твоих проектов с использованием таких моделей, как Ultralytics YOLO.

Структура набора данных

Распределение данных в составе Carparts Segmentation Dataset организовано следующим образом:

• Training set: Includes 3156 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Тестовая выборка (Testing set): состоит из 276 изображений, каждое из которых имеет соответствующие аннотации. Этот набор используется для оценки производительности модели после обучения с использованием тестовых данных.
• Валидационная выборка (Validation set): содержит 401 изображение с соответствующими аннотациями. Этот набор используется во время обучения для настройки гиперпараметров и предотвращения переобучения с помощью валидационных данных.

Приложения

Сегментация автозапчастей находит применение в различных областях, включая:

• Контроль качества в автомобильной промышленности: выявление дефектов или несоответствий деталей автомобиля в процессе производства (AI в производстве).
• Авторемонт: помощь механикам в идентификации запчастей 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 кадрах дорожного наблюдения.
• Автономные транспортные средства: улучшение систем восприятия беспилотных автомобилей для лучшего понимания окружающих транспортных средств.
• Страхование: автоматизация оценки ущерба путем идентификации поврежденных деталей автомобиля при рассмотрении страховых случаев.
• Переработка: сортировка компонентов транспортных средств для эффективных процессов вторичной переработки.
• Инициативы «Умный город»: предоставление данных для городского планирования и систем 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 во всех этих отраслях.

YAML набора данных

Файл YAML определяет конфигурацию набора данных, включая пути, названия классов и другие важные детали. Для набора данных Carparts Segmentation 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 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

Использование

To train an Ultralytics YOLO26 model on the Carparts Segmentation dataset for 100 epochs with an image size of 640, use the following code snippets. Refer to the model Training guide for a comprehensive list of available arguments and explore model training tips for best practices.

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 аннотаций

Набор данных Carparts Segmentation 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 выделяют идентифицированные части автомобиля (например, фары, решетку радиатора).
• Набор данных содержит множество изображений, снятых в различных условиях (местоположения, освещение, плотность объектов), что предоставляет всесторонний ресурс для обучения надежных моделей сегментации автозапчастей.
• 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 обобщающую способность модели.

Цитирование и благодарности

Если ты используешь набор данных Carparts Segmentation в своих исследованиях или разработках, пожалуйста, сошлися на 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 },
        year = { 2023 },
        month = { nov },
        note = { visited on 2024-01-24 },
    }

Мы признательны за вклад Джанмарко Руссо (Gianmarco Russo) и команды Roboflow в создание и поддержку этого ценного набора данных для сообщества компьютерного зрения. Чтобы найти больше наборов данных, посети коллекцию наборов данных Ultralytics.

Часто задаваемые вопросы (FAQ)

Что такое Carparts Segmentation Dataset?

Carparts Segmentation Dataset — это специализированная коллекция изображений и видео для обучения моделей компьютерного зрения выполнению сегментации автозапчастей. Она включает разнообразные визуальные материалы с подробными аннотациями, подходящие для AI-приложений в автомобильной сфере.

Как я могу использовать Carparts Segmentation Dataset с Ultralytics YOLO26?

Ты можешь обучить модель сегментации Ultralytics YOLO26, используя этот набор данных. Загрузи предварительно обученную модель (например, yolo26n-seg.pt) и начни обучение, используя предоставленные примеры для Python или CLI, ссылаясь на файл конфигурации carparts-seg.yaml. Ознакомься с Руководством по обучению для получения подробных инструкций.

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)

Каковы некоторые области применения сегментации автозапчастей?

Сегментация автозапчастей полезна в:

• Контроль качества в автомобильной промышленности: обеспечение соответствия деталей стандартам (AI в производстве).
• Авторемонт: идентификация деталей, требующих обслуживания.
• Электронная коммерция: онлайн-каталогизация запчастей.
• Автономные транспортные средства: улучшение восприятия автомобиля (AI в автомобильной сфере).
• Страхование: автоматическая оценка повреждений автомобиля.
• Переработка: эффективная сортировка запчастей.

Где я могу найти файл конфигурации набора данных для сегментации автозапчастей?

Файл конфигурации набора данных carparts-seg.yaml, содержащий подробную информацию о путях к данным и классах, находится в репозитории Ultralytics на GitHub: carparts-seg.yaml.

Почему мне стоит использовать Carparts Segmentation Dataset?

Этот набор данных предлагает богатые, аннотированные данные, критически важные для разработки точных моделей сегментации для автомобильных приложений. Его разнообразие помогает повысить надежность и производительность моделей в реальных сценариях, таких как автоматизированный техосмотр транспортных средств, улучшение систем безопасности и поддержка технологий автономного вождения. Использование высококачественных, специализированных наборов данных ускоряет разработку AI.