Roboflow Набор данных для сегментации вселенных карпартов

Сайт Roboflow Carparts Segmentation Dataset - это коллекция изображений и видео, предназначенная для приложений компьютерного зрения, в частности для задач сегментации, связанных с деталями автомобилей. Этот набор данных представляет собой разнообразный набор визуальных изображений, снятых с разных точек зрения, и предлагает ценные аннотированные примеры для обучения и тестирования моделей сегментации.

Если ты занимаешься исследованиями в области автомобилестроения, разрабатываешь ИИ-решения для обслуживания автомобилей или изучаешь приложения для компьютерного зрения, то Carparts Segmentation Dataset послужит ценным ресурсом для повышения точности и эффективности твоих проектов.

Смотри: Сегментация экземпляров Carparts с помощью Ultralytics HUB

Структура набора данных

Распределение данных в наборе Carparts Segmentation Dataset организовано так, как описано ниже:

• Тренировочный набор: Включает 3156 изображений, каждое из которых сопровождается соответствующими аннотациями.
• Набор для тестирования: Состоит из 276 изображений, каждое из которых сопряжено с соответствующими аннотациями.
• Валидационный набор: Состоит из 401 изображения, каждое из которых имеет соответствующие аннотации.

Приложения

Сегментация Carparts находит применение в контроле качества автомобилей, авторемонте, каталогизации электронной коммерции, мониторинге трафика, автономных транспортных средствах, оформлении страховки, переработке отходов и инициативах "умного города". Он оптимизирует процессы за счет точной идентификации и категоризации различных компонентов автомобиля, способствуя повышению эффективности и автоматизации в различных отраслях.

Набор данных YAML

Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). В нем содержится информация о путях, классах и других важных сведениях набора данных. В случае с набором данных Package Segmentation файл carparts-seg.yaml файл хранится по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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 (132 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: ../datasets/carparts-seg # dataset root dir
train: train/images # train images (relative to 'path') 3516 images
val: valid/images # val images (relative to 'path') 276 images
test: test/images # 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 YOLOv8n на наборе данных Carparts Segmentation в течение 100 эпох при размере изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов можно найти на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Образцы данных и аннотации

Набор данных Carparts Segmentation включает в себя разнообразные изображения и видео, снятые с разных ракурсов. Ниже ты найдешь примеры данных из этого набора вместе с соответствующими аннотациями:

• Это изображение иллюстрирует сегментацию объектов в образце, показывая аннотированные ограничительные рамки с масками вокруг идентифицированных объектов. Набор данных состоит из разнообразных изображений, снятых в разных местах, в разных условиях и с разной плотностью, что служит всеобъемлющим ресурсом для создания моделей, специфичных для этой задачи.
• Этот случай подчеркивает разнообразие и сложность, присущие набору данных, подчеркивая решающую роль высококачественных данных в задачах компьютерного зрения, особенно в области сегментации деталей автомобиля.

Цитаты и благодарности

Если ты интегрируешь набор данных Carparts Segmentation в свои исследовательские проекты или проекты по разработке, пожалуйста, сделай ссылку на следующий документ:

   @misc{ car-seg-un1pm_dataset,
        title = { car-seg Dataset },
        type = { Open Source Dataset },
        author = { Gianmarco Russo },
        howpublished = { \url{ https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm } },
        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 выражаем благодарность команде Roboflow за их самоотверженность в разработке и управлении набором данных Carparts Segmentation - ценным ресурсом для технического обслуживания автомобилей и исследовательских проектов. Дополнительную информацию о наборе данных Carparts Segmentation и его создателях можно найти на странице CarParts Segmentation Dataset.

ВОПРОСЫ И ОТВЕТЫ

Что такое Roboflow Carparts Segmentation Dataset?

Roboflow Carparts Segmentation Dataset - это коллекция изображений и видео, специально разработанная для задач сегментации автомобильных деталей в компьютерном зрении. Этот набор данных включает в себя разнообразные изображения, снятые с разных точек зрения, что делает его бесценным ресурсом для обучения и тестирования моделей сегментации для автомобильных приложений.

Как я могу использовать Carparts Segmentation Dataset с Ultralytics YOLOv8 ?

Чтобы обучить модель YOLOv8 на наборе данных Carparts Segmentation, ты можешь выполнить следующие шаги:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

За более подробной информацией обращайся к документации по тренировкам.

Каковы некоторые области применения Carparts Segmentation?

Сегментация автозапчастей может широко применяться в различных областях, таких как: - Контроль качества автомобилей - Ремонт и обслуживание автомобилей - Каталогизация в электронной коммерции - Мониторинг дорожного движения - Автономные транспортные средства - Обработка страховых претензий - Инициативы по переработке отходов - Проекты умных городов

Такая сегментация помогает точно идентифицировать и классифицировать различные автомобильные компоненты, повышая эффективность и автоматизацию в этих отраслях.

Где я могу найти файл конфигурации набора данных для Carparts Segmentation?

Файл конфигурации набора данных для набора данных Carparts Segmentation, carparts-seg.yamlЕго можно найти в следующем месте: carparts-seg.yaml.

Почему я должен использовать набор данных Carparts Segmentation Dataset?

Carparts Segmentation Dataset предоставляет богатые аннотированные данные, необходимые для разработки высокоточных моделей сегментации в автомобильном компьютерном зрении. Разнообразие этого набора данных и подробные аннотации улучшают обучение моделей, что делает его идеальным для таких приложений, как автоматизация технического обслуживания автомобилей, совершенствование систем безопасности и поддержка технологий автономного вождения. Сотрудничество с надежным набором данных ускоряет разработку ИИ и обеспечивает лучшую производительность моделей.

Для получения более подробной информации посети страницу CarParts Segmentation Dataset.

Комментарии