Carparts Segmentasyon Veri Kümesi
Ultralytics Carparts Segmentasyon Veri Kümesi; tamponlar, kapılar, ışıklar, aynalar, kaput ve bagaj kapağı dâhil 23 otomobil parçası sınıfını kapsayan 3.833 açıklamalı görüntü sunar. Otomotiv bilgisayarlı görü görevlerinde örnek segmentasyonu modellerini eğitmek için tasarlanmıştır. Birden çok açıdan çekilen ve piksel düzeyinde maskelerle açıklama eklenen veri kümesi, otomotiv kalite kontrolünden oto tamirine, sigorta hasar değerlendirmesinden otonom araç algısına kadar uzanan kullanım senaryoları için Ultralytics YOLO ile doğrudan kullanılabilir.
İzle: Ultralytics Platformuyla Araba Parçaları Nasıl Segmentlere Ayrılır | Eğit, Dağıt ve Çıkarım Yap | Ultralytics YOLO26 🚀
Veri Kümesi Yapısı#
Carparts Segmentasyon Veri Kümesi, 3.833 görüntüsünü şu şekilde böler:
- Eğitim kümesi: Derin öğrenme modeli için eğitim verisi olarak kullanılan 3.156 görüntü.
- Doğrulama kümesi: Hiperparametreleri ayarlamak ve doğrulama verilerinde aşırı öğrenmeyi önlemek için eğitim sırasında kullanılan 401 görüntü.
- Test kümesi: Eğitimden sonra modelin ayrılmış test verileri üzerinde değerlendirilmesi için kullanılan 276 görüntü.
- Sınıflar: Toplam 23 sınıf — tamponlar, kapılar, ışıklar, camlar, aynalar, kaput, bagaj kapağı, bagaj ve tekerlekler gibi adlandırılmış 22 otomobil parçası kategorisi ile bu kategorilerin dışındaki parçalar için genel bir
objectsınıfı. - İndirme boyutu: ~133 MB.
Uygulamalar#
Carparts Segmentasyon Veri Kümesi, aşağıdakiler dâhil çeşitli alanlarda kullanılır:
- Otomotiv Kalite Kontrolü: Üretim sırasında otomobil parçalarındaki kusurları veya tutarsızlıkları belirleme (Üretimde Yapay Zekâ).
- Oto Tamir: Tamir veya değişim gereken parçaları belirlemelerinde teknisyenlere yardımcı olma.
- E-ticaret Kataloglama: Çevrimiçi mağazalardaki araba parçalarını otomatik olarak etiketleme ve kategorilere ayırma.
- Trafik İzleme: Trafik gözetim görüntülerindeki araç bileşenlerini analiz etme.
- Otonom Araçlar: Çevredeki araçları daha iyi anlamaları için otonom araçların algı sistemlerini geliştirme.
- Sigorta İşlemleri: Sigorta talepleri sırasında etkilenen otomobil parçalarını belirleyerek hasar değerlendirmesini otomatikleştirme.
- Geri Dönüşüm: Verimli geri dönüşüm süreçleri için araç bileşenlerini sınıflandırma.
- Akıllı Şehir Girişimleri: Akıllı şehirlerde kentsel planlama ve trafik yönetimi sistemleri için veri sağlama.
Carparts Segmentasyon Veri Kümesinin tamamına Ultralytics Platform üzerinden de göz atabilir ve veri kümesini yönetebilirsin.
Veri Kümesi YAML Dosyası#
Bir YAML dosyası, yollar, sınıf adları ve diğer temel ayrıntılar dâhil olmak üzere veri kümesi yapılandırmasını tanımlar. Carparts Segmentasyon Veri Kümesi için carparts-seg.yaml dosyasına https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml adresinden ulaşabilirsin. YAML biçimi 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') 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.zipKullanım#
Carparts Segmentasyon veri kümesinde 640 görüntü boyutuyla 100 epoch boyunca bir Ultralytics YOLO26n-seg modelini eğitmek için aşağıdaki kod parçacıklarını kullan.
from ultralytics import YOLO
# YOLO26n-seg gibi önceden eğitilmiş bir segmentasyon modelini yükle
model = YOLO("yolo26n-seg.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
# Modeli Carparts Segmentasyon Veri Kümesi üzerinde eğit
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)
# Eğitimden sonra modelin performansını doğrulama kümesinde değerlendirebilirsin
results = model.val()
# Ya da yeni görüntüler veya videolar üzerinde tahmin yap
results = model.predict("path/to/your/image.jpg")Örnek Veriler ve Açıklamalar#
Aşağıda, Carparts Segmentasyon Veri Kümesinden nesne segmentasyonu maskeleri üzerine bindirilmiş örnek bir görüntü yer alıyor. Görüntüde tek tek otomobil parçalarının nasıl ana hatlarıyla belirtilip etiketlendiği gösteriliyor:

Veri kümesi farklı konumları, aydınlatma koşullarını ve nesne yoğunluklarını kapsar; böylece bu veri kümesiyle eğitilen modeller, genelleme yapmaları gereken çeşitli gerçek dünya sahnelerini tanıyabilir.
Atıflar ve Teşekkürler#
Carparts Segmentation veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen özgün kaynağı kaynak göster:
@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 },
}Bilgisayarlı görü topluluğu için bu değerli veri kümesini oluşturan ve sürdüren Gianmarco Russo'ya ve Roboflow ekibine katkılarından dolayı teşekkür ederiz. Daha fazla veri kümesi için Ultralytics Veri Kümeleri koleksiyonunu ziyaret et.
Sık Sorulan Sorular#
Carparts Segmentasyon Veri Kümesi, tamponlar, kapılar, ışıklar, aynalar, kaput ve bagaj dâhil 23 otomobil parçası sınıfını kapsayan, 3.833 açıklamalı görüntüden oluşan seçilmiş bir koleksiyondur. Örnek segmentasyonu modellerini eğitmek ve değerlendirmek için hazırlanmıştır. Kalite kontrolü, oto tamiri ve hasar değerlendirmesi gibi otomotiv bilgisayarlı görü uygulamalarına yöneliktir ve
carparts-seg.yamlyapılandırma dosyası aracılığıyla Ultralytics YOLO26 ile doğrudan kullanılır.Veri kümesinde toplam 3.833 görüntü bulunur: 3.156'sı eğitim, 401'i doğrulama ve 276'sı test içindir. Veri kümesi 23 sınıf içerir: adlandırılmış 22 otomobil parçası kategorisi ve bu kategorilerin dışındaki parçalar için genel bir
objectsınıfı..zipbiçimindeki tam arşiv, ilk kullanımda otomatik olarak indirilir ve boyutu ~133 MB'tır.Önceden eğitilmiş bir segmentasyon modelini (ör.
yolo26n-seg.pt) yükle ve yukarıdaki Kullanım bölümündeki Python veya CLI kod parçalarını kullanarakcarparts-seg.yamlyapılandırmasıyla eğit. Kullanılabilir bağımsız değişkenlerin tam listesi için Eğitim kılavuzuna bak.Carparts segmentasyonu; otomotiv kalite kontrolünü, oto tamiri, e-ticaret kataloglamayı, trafik izlemeyi, otonom araç algısını, sigorta hasar değerlendirmesini, geri dönüşümü ve akıllı şehir girişimlerini destekler. Her kullanım senaryosunun ayrıntıları için yukarıdaki Uygulamalar bölümüne bak.
Veri kümesi yolları ve sınıfları hakkındaki ayrıntıları içeren
carparts-seg.yamlveri kümesi yapılandırma dosyası, Ultralytics GitHub deposunda bulunur: carparts-seg.yaml.Veri kümesi, otomotiv uygulamalarına yönelik doğru segmentasyon modelleri geliştirmek için piksel düzeyinde açıklamalar sağlar. Çeşitliliği; otomatik araç muayenesi, araç güvenlik sistemleri ve otonom sürüş gibi gerçek dünya senaryolarında model sağlamlığını artırır.
Yorumlar2
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
SHAHFAISAL80
hi how i test this vehicle parts for any random dataset
Glenn JocherUltralytics(düzenlendi)@SHAHFAISAL80 to test vehicle parts segmentation on any random dataset, you can modify the dataset configuration file (YAML) to point to your dataset's paths and classes. Then, use the following command to train the model:
yolo segment train data=your_dataset.yaml model=yolo26n-seg.pt epochs=100 imgsz=640For more details, visit the Ultralytics documentation.



