Otomobil Parçaları Segmentasyon Veri Kümesi

Otomobil Parçaları Segmentasyon Veri Kümesi, bilgisayarlı görü uygulamaları, özellikle de segmentasyon görevleri için tasarlanmış, özenle hazırlanmış bir görsel ve video koleksiyonudur. Bu veri kümesi, birden fazla perspektiften çekilmiş çeşitli görseller sunarak, segmentasyon modellerini eğitmek ve test etmek için değerli açıklamalı örnekler sağlar.

Whether you're working on automotive research, developing AI solutions for vehicle maintenance, or exploring computer vision applications, the Carparts Segmentation Dataset serves as a valuable resource for enhancing the accuracy and efficiency of your projects using models like Ultralytics YOLO.

Veri Kümesi Yapısı

Otomobil Parçaları Segmentasyon Veri Kümesi içindeki veri dağılımı şu şekilde düzenlenmiştir:

• Training set: Includes 3156 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Test seti: Her biri ilgili açıklamalarıyla eşleştirilmiş 276 görsel içerir. Bu set, test verileri kullanılarak modelin eğitim sonrası performansını değerlendirmek için kullanılır.
• Validation set: Consists of 401 images, each having corresponding annotations. This set is used during training to tune hyperparameters and prevent overfitting using validation data.

Uygulamalar

Otomobil Parçaları Segmentasyonu, çeşitli alanlarda uygulama alanı bulur:

• Otomotiv Kalite Kontrolü: Üretim sırasında otomobil parçalarındaki kusurların veya tutarsızlıkların belirlenmesi (Üretimde Yapay Zeka).
• Oto Tamir: Mekanikerlerin onarım veya değişim için parçaları tanımlamasına yardımcı olmak.
• E-ticaret Kataloglama: E-ticaret platformlarında otomobil parçalarının otomatik olarak etiketlenmesi ve kategorize edilmesi.
• Trafik İzleme: Trafik gözetim görüntülerindeki araç bileşenlerinin analiz edilmesi.
• Otonom Araçlar: Çevredeki araçları daha iyi anlamaları için kendi kendine giden arabaların algılama sistemlerinin geliştirilmesi.
• Sigorta İşlemleri: Sigorta talepleri sırasında etkilenen otomobil parçalarını tanımlayarak hasar tespitinin otomatize edilmesi.
• Geri Dönüşüm: Verimli geri dönüşüm süreçleri için araç bileşenlerinin ayrıştırılması.
• Akıllı Şehir Girişimleri: Akıllı Şehirler dahilindeki şehir planlama ve trafik yönetim sistemleri için veri sağlanması.

Farklı araç bileşenlerinin doğru bir şekilde tanımlanması ve kategorize edilmesiyle otomobil parçaları segmentasyonu, süreçleri kolaylaştırır ve bu endüstriler genelinde verimliliğin ve otomasyonun artmasına katkıda bulunur.

Veri Kümesi YAML Dosyası

Bir YAML dosyası, yollar, sınıf adları ve diğer temel detaylar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Otomobil Parçaları Segmentasyon veri kümesi için carparts-seg.yaml dosyasına https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml adresinden ulaşılabilir. YAML formatı hakkında daha fazla bilgiyi yaml.org adresinde bulabilirsin.

# 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

Kullanım

Bir Ultralytics YOLO26 modelini Otomobil Parçaları Segmentasyon veri kümesinde 640 görüntü boyutu ile 100 dönem boyunca eğitmek için aşağıdaki kod parçacıklarını kullan. Mevcut argümanların kapsamlı bir listesi için model Eğitim kılavuzuna başvur ve en iyi uygulamalar için model eğitimi ipuçlarını keşfet.

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")

Örnek Veriler ve Açıklamalar

Otomobil Parçaları Segmentasyon veri kümesi, çeşitli perspektiflerden çekilmiş çok çeşitli görsel ve videolar içerir. Verileri ve ilgili açıklamalarını gösteren örnekler aşağıdadır:

• Görsel, bir araba görseli örneği içindeki nesne segmentasyonunu göstermektedir. Maskeli açıklamalı sınırlayıcı kutular, tanımlanan otomobil parçalarını (örneğin, farlar, ızgara) vurgular.
• Veri kümesi, farklı koşullar (konumlar, aydınlatma, nesne yoğunlukları) altında çekilmiş çeşitli görseller içerir ve sağlam otomobil parçası segmentasyon modellerini eğitmek için kapsamlı bir kaynak sağlar.
• Bu örnek, veri kümesinin karmaşıklığını ve özellikle otomotiv bileşen analizi gibi uzmanlaşmış alanlarda bilgisayarlı görü görevleri için yüksek kaliteli verilerin önemini vurgulamaktadır. Veri artırma gibi teknikler, model genellemesini daha da artırabilir.

Alıntılar ve Teşekkür

Otomobil Parçaları Segmentasyon veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen orijinal kaynağa atıfta bulun:

   @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 },
    }

Bu değerli veri kümesini bilgisayarlı görü topluluğu için oluşturan ve sürdüren Gianmarco Russo'nun ve Roboflow ekibinin katkılarını takdir ediyoruz. Daha fazla veri kümesi için Ultralytics Veri Kümeleri koleksiyonunu ziyaret et.

SSS

Otomobil Parçaları Segmentasyon Veri Kümesi nedir?

Otomobil Parçaları Segmentasyon Veri Kümesi, otomobil parçaları üzerinde segmentasyon gerçekleştirmek üzere bilgisayarlı görü modellerini eğitmek için hazırlanmış özel bir görsel ve video koleksiyonudur. Otomotiv yapay zeka uygulamaları için uygun, ayrıntılı açıklamalar içeren çeşitli görselleri içerir.

Otomobil Parçaları Segmentasyon Veri Kümesini Ultralytics YOLO26 ile nasıl kullanabilirim?

Bu veri kümesini kullanarak bir Ultralytics YOLO26 segmentasyon modeli eğitebilirsin. Önceden eğitilmiş bir modeli (örneğin, yolo26n-seg.pt) yükle ve carparts-seg.yaml yapılandırma dosyasına başvurarak sağlanan Python veya CLI örneklerini kullanarak eğitimi başlat. Detaylı talimatlar için Eğitim Kılavuzuna göz at.

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)

Otomobil Parçaları Segmentasyonunun uygulama alanlarından bazıları nelerdir?

Otomobil Parçaları Segmentasyonu şu alanlarda kullanışlıdır:

• Otomotiv Kalite Kontrolü: Parçaların standartları karşıladığından emin olunması (Üretimde Yapay Zeka).
• Oto Tamir: Servis gerektiren parçaların tanımlanması.
• E-ticaret: Parçaların çevrimiçi olarak kataloglanması.
• Otonom Araçlar: Araç algılamasının iyileştirilmesi (Otomotivde Yapay Zeka).
• Sigorta: Araç hasarının otomatik olarak değerlendirilmesi.
• Geri Dönüşüm: Parçaların verimli bir şekilde ayrıştırılması.

Otomobil Parçaları Segmentasyonu için veri kümesi yapılandırma dosyasını nerede bulabilirim?

Veri kümesi yolları ve sınıfları hakkında ayrıntılar içeren carparts-seg.yaml veri kümesi yapılandırma dosyası, Ultralytics GitHub deposunda yer almaktadır: carparts-seg.yaml.

Otomobil Parçaları Segmentasyon Veri Kümesini neden kullanmalıyım?

Bu veri kümesi, otomotiv uygulamaları için doğru segmentasyon modelleri geliştirmek için çok önemli olan zengin ve açıklamalı veriler sunar. Çeşitliliği, otomatik araç denetimi, güvenlik sistemlerinin geliştirilmesi ve otonom sürüş teknolojisinin desteklenmesi gibi gerçek dünya senaryolarında model sağlamlığını ve performansını artırmaya yardımcı olur. Bunun gibi yüksek kaliteli, alana özel veri kümelerini kullanmak, yapay zeka geliştirmeyi hızlandırır.