Roboflow Universe Carparts Segmentasyon Veri Kümesi

Bu Roboflow Carparts Segmentasyon Veri Kümesi, bilgisayarla görme uygulamaları için tasarlanmış, özellikle araba parçalarıyla ilgili segmentasyon görevlerine odaklanan, seçilmiş bir görüntü ve video koleksiyonudur. Bu veri kümesi, segmentasyon modellerini eğitmek ve test etmek için değerli açıklamalı örnekler sunan, birden fazla perspektiften çekilmiş çeşitli görseller sağlar.

İster otomotiv araştırmaları üzerinde çalışıyor, ister araç bakımı için yapay zeka çözümleri geliştiriyor veya bilgisayarla görme uygulamalarını keşfediyor olun, Carparts Segmentasyon Veri Seti, projelerinizde doğruluğu ve verimliliği artırmak için değerli bir kaynak görevi görür.

İzle: Ultralytics HUB Kullanarak Carparts Örnek Segmentasyonu

Veri Kümesi Yapısı

Carparts Segmentasyon Veri Seti içindeki veri dağılımı aşağıda belirtildiği şekilde düzenlenmiştir:

• Eğitim seti: Her birine karşılık gelen açıklamaların eşlik ettiği 3156 görüntü içerir.
• Test seti: Her biri ilgili ek açıklamalarla eşleştirilmiş 276 görüntüden oluşur.
• Doğrulama seti: Her biri ilgili ek açıklamalara sahip 401 görüntüden oluşur.

Uygulamalar

Carparts Segmentasyonu otomotiv kalite kontrolü, oto tamir, e-ticaret kataloglama, trafik izleme, otonom araçlar, sigorta işlemleri, geri dönüşüm ve akıllı şehir girişimlerinde uygulama alanı bulmaktadır. Farklı araç bileşenlerini doğru bir şekilde tanımlayarak ve kategorize ederek süreçleri kolaylaştırır, çeşitli endüstrilerde verimliliğe ve otomasyona katkıda bulunur.

Veri Kümesi YAML

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. Paket Segmentasyonu veri kümesi söz konusu olduğunda carparts-seg.yaml dosyası şu adreste tutulur 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://ultralytics.com/assets/carparts-seg.zip

Kullanım

Ultralytics YOLOv8n modelini 640 görüntü boyutunda 100 epok için Carparts Segmentation veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

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

Örnek Veriler ve Açıklamalar

Carparts Segmentation veri kümesi, çeşitli perspektiflerden çekilmiş çok sayıda görüntü ve video içermektedir. Aşağıda, veri kümesinden veri örneklerini ve bunlara karşılık gelen açıklamaları bulacaksınız:

• Bu görüntü, tanımlanan nesneleri çevreleyen maskeler ile açıklamalı sınırlayıcı kutular içeren bir örnek içindeki nesne segmentasyonunu göstermektedir. Veri kümesi, çeşitli konumlarda, ortamlarda ve yoğunluklarda çekilen çeşitli görüntülerden oluşmakta ve bu göreve özgü modeller oluşturmak için kapsamlı bir kaynak görevi görmektedir.
• Bu örnek, veri kümesinin doğasında bulunan çeşitliliği ve karmaşıklığı vurgulamakta ve özellikle araba parçaları segmentasyonu alanında bilgisayarla görme görevlerinde yüksek kaliteli verilerin önemli rolünü vurgulamaktadır.

Atıflar ve Teşekkür

Carparts Segmentasyon veri setini araştırma veya geliştirme projelerinize entegre ederseniz, lütfen aşağıdaki makaleye atıfta bulunun:

   @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 },
    }

Araç bakımı ve araştırma projeleri için değerli bir kaynak olan Carparts Segmentation veri setinin geliştirilmesi ve yönetilmesinde gösterdikleri özveri için Roboflow ekibine teşekkürlerimizi sunarız. Carparts Segmentation veri seti ve yaratıcıları hakkında daha fazla bilgi için lütfen CarParts Segmentation Veri Seti Sayfasını ziyaret edin.

Yorumlar