Безопасность корпоративного уровня: Соответствует ISO 27001 + SOC 2 Type I.
CC BY 4.0

Link to this sectionНабор данных для сегментации автозапчастей#

Открыть набор данных для сегментации автозапчастей в Colab

Набор данных для сегментации автомобильных запчастей Ultralytics содержит 3 833 аннотированных изображения, распределенных по 23 классам автомобильных деталей, включая бамперы, двери, фары, зеркала, капот и багажник, и предназначен для обучения моделей instance segmentation для задач автомобильного computer vision. Снятый с различных ракурсов и аннотированный с помощью масок на уровне пикселей, он напрямую интегрируется с Ultralytics YOLO для использования в таких областях, как контроль качества автомобилей, ремонт, оценка повреждений для страховых случаев и системы восприятия для беспилотного транспорта.



Watch: How to Segment Carparts with Ultralytics Platform | Train, Deploy & Inference | Ultralytics YOLO26 🚀

Link to this sectionСтруктура набора данных#

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

  • Training set: 3 156 изображений, используемых для training deep learning model.
  • Validation set: 401 изображение, используемое во время обучения для настройки hyperparameters и предотвращения overfitting на validation data.
  • Testing set: 276 изображений, используемых для оценки модели на контрольных test data после завершения обучения.
  • Classes: всего 23 — 22 именованные категории автомобильных деталей (бамперы, двери, фары, стекла, зеркала, капот, крышка багажника, багажник и колеса), плюс универсальный класс object для запчастей, не вошедших в эти категории.
  • Download size: ~133 MB.

Link to this sectionПрименение#

Сегментация автозапчастей находит применение в различных областях, включая:

  • Контроль качества в автомобильной промышленности: Выявление дефектов или несоответствий в деталях автомобилей в процессе 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».

Полный набор данных Carparts Segmentation Dataset также можно просматривать и управлять им на платформе Ultralytics Platform.

Link to this sectionYAML набора данных#

Файл YAML определяет конфигурацию датасета, включая пути, имена классов и другие важные детали. Для датасета Carparts Segmentation файл carparts-seg.yaml доступен по ссылке https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Ты можешь 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') 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

Link to this sectionИспользование#

Чтобы обучить модель Ultralytics YOLO26 на наборе данных Carparts Segmentation в течение 100 epochs с размером изображения 640, используй следующие фрагменты кода. Обратись к Training guide для получения полного списка доступных аргументов и изучи model training tips для ознакомления с лучшими практиками.

Пример обучения
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#

Ниже представлен пример изображения из набора данных Carparts Segmentation Dataset с наложенными масками object segmentation, показывающий, как отдельные детали автомобиля выделяются и маркируются:

Пример изображения из набора данных сегментации автозапчастей

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.

Link to this sectionЦитирование и благодарности#

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

Цитата
@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 Gianmarco Russo и команде Roboflow за создание и поддержку этого ценного набора данных для сообщества computer vision. Чтобы ознакомиться с другими наборами данных, посети Ultralytics Datasets collection.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных Carparts Segmentation Dataset и как он используется в Ultralytics YOLO26?#

Carparts Segmentation Dataset — это кураторская коллекция из 3 833 аннотированных изображений, охватывающих 23 класса автомобильных запчастей (бамперы, двери, фары, зеркала, капот, багажник и другие), предназначенная для обучения и оценки моделей instance segmentation. Он создан для приложений автомобильного компьютерного зрения, таких как контроль качества, авторемонт и оценка повреждений, и используется напрямую с Ultralytics YOLO26 через файл конфигурации carparts-seg.yaml.

Link to this sectionСколько изображений и классов содержит Carparts Segmentation Dataset?#

Набор данных насчитывает в общей сложности 3 833 изображения — 3 156 для обучения, 401 для валидации и 276 для тестирования — по 23 классам: 22 именованные категории автомобильных деталей плюс универсальный класс object для деталей вне этих категорий. Полный архив автоматически загружается как .zip файл размером ~133 MB при первом использовании.

Link to this sectionКак обучить модель Ultralytics YOLO26 на наборе данных Carparts Segmentation Dataset?#

Загрузи предобученную модель сегментации (например, yolo26n-seg.pt) и обучи ее с конфигурацией carparts-seg.yaml, используя фрагменты кода для Python или CLI в разделе Usage выше. Ознакомься с Training guide для получения полного списка доступных аргументов.

Link to this sectionКаковы некоторые варианты применения Carparts Segmentation Dataset?#

Сегментация автомобильных запчастей поддерживает контроль качества автомобилей, ремонт, каталогизацию в электронной коммерции, мониторинг дорожного движения, восприятие беспилотных транспортных средств, оценку страховых повреждений, переработку вторсырья и инициативы «умного города» — подробности о каждом сценарии использования см. в разделе Applications выше.

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 предоставляет богатые аннотированные данные, критически важные для разработки точных segmentation models для автомобильной промышленности. Его разнообразие помогает повысить надежность и производительность модели в реальных сценариях, таких как автоматизированный технический осмотр транспортных средств, улучшение систем безопасности и поддержка технологий автономного вождения. Использование высококачественных, предметно-ориентированных наборов данных, таких как этот, ускоряет разработку AI.

Участники
GLglenn-jocher15RIRizwanMunawar7RAraimbekovm4MImiles-deans-ultralytics1ONonuralpszr1LEleonnil1MAMatthewNoyce1

Комментарии