Перейти к содержимому

Roboflow Набор данных для сегментации вселенных карпартов

The Roboflow Carparts Segmentation Dataset is a curated collection of images and videos designed for computer vision applications, specifically focusing on segmentation tasks related to car parts. This dataset provides a diverse set of visuals captured from multiple perspectives, offering valuable annotated examples for training and testing segmentation models.

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: Carparts Сегментация экземпляров Using 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/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

To train Ultralytics YOLO11n model on the Carparts Segmentation dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

Пример поезда

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)
# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolo11n-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:

Образец изображения из набора данных

  • 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.

How can I use the Carparts Segmentation Dataset with Ultralytics YOLO11?

To train a YOLO11 model on the Carparts Segmentation dataset, you can follow these steps:

Пример поезда

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)
# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

За более подробной информацией обращайся к документации по тренировкам.

Каковы некоторые области применения Carparts Segmentation?

Carparts Segmentation can be widely applied in various fields such as:

  • Automotive quality control
  • Auto repair and maintenance
  • E-commerce cataloging
  • Traffic monitoring
  • Autonomous vehicles
  • Insurance claim processing
  • Recycling initiatives
  • Smart city projects

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?

The Carparts Segmentation Dataset provides rich, annotated data essential for developing high-accuracy segmentation models in automotive computer vision. This dataset's diversity and detailed annotations improve model training, making it ideal for applications like vehicle maintenance automation, enhancing vehicle safety systems, and supporting autonomous driving technologies. Partnering with a robust dataset accelerates AI development and ensures better model performance.

Для получения более подробной информации посети страницу CarParts Segmentation Dataset.


📅 Created 8 months ago ✏️ Updated 6 days ago

Комментарии