Link to this sectionOto Parçaları Segmentasyon Veri Kümesi#

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

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.

Link to this sectionVeri Kümesi Yapısı#

Oto Parçaları Segmentasyon Veri Kümesi içindeki veri dağılımı şu şekilde organize edilmiştir:

• Training set: Includes 3516 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• Test kümesi: Her biri kendi açıklamalarıyla eşleştirilmiş 401 görselden oluşur. Bu küme, test verilerini kullanarak eğitim sonrası model performansını değerlendirmek için kullanılır.
• Validation set: Consists of 276 images, each having corresponding annotations. This set is used during training to tune hyperparameters and prevent overfitting using validation data.

Link to this sectionUygulamalar#

Oto Parçaları Segmentasyonu, aşağıdakiler dahil olmak üzere çeşitli alanlarda uygulama bulur:

• Otomotiv Kalite Kontrolü: Üretim sırasında oto parçalarındaki kusurların veya tutarsızlıkların tanımlanması (Üretimde Yapay Zeka).
• Oto Tamiri: Tamir veya değişim gerektiren parçaların tanımlanmasında teknisyenlere yardımcı olunması.
• E-ticaret Kataloglama: Çevrimiçi mağazalardaki oto parçalarının e-ticaret platformları için otomatik olarak etiketlenmesi ve kategorize edilmesi.
• Trafik İzleme: Trafik gözetim görüntülerindeki araç bileşenlerinin analiz edilmesi.
• Otonom Araçlar: Sürücüsüz araçların çevrelerindeki araçları daha iyi anlamalarını sağlamak için algı sistemlerinin geliştirilmesi.
• Sigorta İşlemleri: Sigorta talepleri sırasında etkilenen oto parçalarını tanımlayarak hasar tespitinin otomatikleştirilmesi.
• Geri Dönüşüm: Verimli geri dönüşüm süreçleri için araç bileşenlerinin ayrıştırılması.
• Akıllı Şehir Girişimleri: Akıllı Şehirler içindeki kentsel planlama ve trafik yönetimi sistemlerine veri katkısında bulunulması.

Farklı araç bileşenlerini doğru bir şekilde tanımlayıp kategorize ederek, oto parçaları segmentasyonu süreçleri kolaylaştırır ve bu endüstriler genelinde verimliliğin ve otomasyonun artmasına katkıda bulunur.

Link to this sectionVeri Kümesi YAML#

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

# 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

Link to this sectionKullanım#

To train an Ultralytics YOLO26 model on the Carparts Segmentation dataset for 100 epochs with an image size of 640, use the following code snippets. Refer to the model Training guide for a comprehensive list of available arguments and explore model training tips for best practices.

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 sectionÖrnek Veriler ve Etiketler#

Oto Parçaları Segmentasyon veri kümesi, çeşitli perspektiflerden yakalanmış çok çeşitli görüntüler ve videolar içerir. Aşağıda, verileri ve ilgili açıklamalarını gösteren örnekler yer almaktadır:

• Bu görsel, bir araba görüntüsü örneği üzerinde nesne segmentasyonunu göstermektedir. Maskeli açıklamalı sınırlayıcı kutular, tanımlanan oto parçalarını (örneğin; farlar, ızgara) vurgular.
• Veri kümesi, farklı koşullar altında (konumlar, aydınlatma, nesne yoğunlukları) çekilmiş çeşitli görüntüler sunarak sağlam oto 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 vurgular. Veri artırma gibi teknikler, model genellemesini daha da artırabilir.

Link to this sectionAlıntılar ve Teşekkür#

Oto Parçaları Segmentasyon veri kümesini araştırmalarında veya geliştirme çalışmalarında kullanıyorsan, lütfen orijinal kaynağı şu şekilde belirt:

   @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 },
    }

Gianmarco Russo'nun ve Roboflow ekibinin bilgisayarlı görü topluluğu için bu değerli veri kümesini oluşturma ve sürdürme konusundaki katkılarını takdir ediyoruz. Daha fazla veri kümesi için Ultralytics Veri Kümeleri koleksiyonunu ziyaret et.

Link to this sectionSSS#

Link to this sectionOto Parçaları Segmentasyon Veri Kümesi nedir?#

Oto Parçaları Segmentasyon Veri Kümesi, bilgisayarlı görü modellerinin oto parçaları üzerinde segmentasyon gerçekleştirmesini eğitmek için özel bir görüntü ve video koleksiyonudur. Otomotiv yapay zeka uygulamaları için uygun, ayrıntılı açıklamalar içeren çeşitli görseller içerir.

Link to this sectionOto Parçaları Segmentasyon Veri Kümesini Ultralytics YOLO26 ile nasıl kullanabilirim?#

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

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)

Link to this sectionOto Parçaları Segmentasyonunun bazı uygulamaları nelerdir?#

Oto Parçaları Segmentasyonu şunlarda kullanışlıdır:

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

Link to this sectionOto Parçaları Segmentasyonu için veri kümesi yapılandırma dosyasını nerede bulabilirim?#

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

Link to this sectionOto 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. Bu gibi yüksek kaliteli, alana özel veri kümelerini kullanmak yapay zeka geliştirmeyi hızlandırır.