Tập dữ liệu Phân đoạn Bộ phận Ô tô (Carparts Segmentation Dataset)
Tập dữ liệu Phân đoạn Bộ phận Ô tô là một bộ sưu tập hình ảnh và video được tinh tuyển, thiết kế cho các ứng dụng thị giác máy tính, tập trung cụ thể vào tác vụ phân đoạn. Tập dữ liệu này cung cấp nhiều hình ảnh trực quan được ghi lại từ nhiều góc độ, mang lại các ví dụ được chú thích có giá trị để huấn luyện và kiểm thử các model phân đoạn.
Cho dù bạn đang thực hiện nghiên cứu về ô tô, phát triển các giải pháp AI cho việc bảo trì phương tiện hay khám phá các ứng dụng thị giác máy tính, Tập dữ liệu Phân đoạn Bộ phận Ô tô đóng vai trò là một tài nguyên có giá trị để nâng cao độ chính xác và hiệu quả cho các dự án của bạn khi sử dụng các model như Ultralytics YOLO.
Watch: How to Segment Carparts with Ultralytics Platform | Train, Deploy & Inference | Ultralytics YOLO26 🚀
Cấu trúc tập dữ liệu
Phân phối dữ liệu trong Tập dữ liệu Phân đoạn Bộ phận Ô tô được tổ chức như sau:
- Training set: Includes 3156 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
- Tập kiểm thử (Testing set): Gồm 276 hình ảnh, mỗi hình ảnh được ghép nối với các chú thích tương ứng. Tập này được sử dụng để đánh giá hiệu suất của model sau khi huấn luyện bằng cách sử dụng dữ liệu kiểm thử.
- Tập kiểm chứng (Validation set): Bao gồm 401 hình ảnh, mỗi hình ảnh đều có chú thích tương ứng. Tập này được sử dụng trong quá trình huấn luyện để tinh chỉnh hyperparameter và ngăn chặn overfitting bằng cách sử dụng dữ liệu kiểm chứng.
Ứng dụng
Phân đoạn Bộ phận Ô tô tìm thấy ứng dụng trong nhiều lĩnh vực bao gồm:
- Kiểm soát Chất lượng Ô tô: Xác định các khiếm khuyết hoặc sự không nhất quán trong các bộ phận ô tô trong quá trình sản xuất (AI trong Sản xuất).
- Sửa chữa Ô tô: Hỗ trợ thợ cơ khí xác định các bộ phận cần sửa chữa hoặc thay thế.
- Danh mục Thương mại điện tử: Tự động gắn thẻ và phân loại các bộ phận ô tô trên các cửa hàng trực tuyến cho các nền tảng thương mại điện tử.
- Giám sát Giao thông: Phân tích các thành phần phương tiện trong cảnh quay giám sát giao thông.
- Xe tự lái: Nâng cao hệ thống nhận thức của xe tự lái để hiểu rõ hơn về các phương tiện xung quanh.
- Xử lý Bảo hiểm: Tự động hóa đánh giá thiệt hại bằng cách xác định các bộ phận ô tô bị ảnh hưởng trong các yêu cầu bồi thường bảo hiểm.
- Tái chế: Phân loại các thành phần phương tiện để có quy trình tái chế hiệu quả.
- Sáng kiến Thành phố Thông minh: Đóng góp dữ liệu cho quy hoạch đô thị và các hệ thống quản lý giao thông trong Thành phố Thông minh.
Bằng cách xác định và phân loại chính xác các thành phần phương tiện khác nhau, phân đoạn bộ phận ô tô giúp tinh giản các quy trình và góp phần tăng hiệu quả cũng như tự động hóa trong các ngành công nghiệp này.
Dataset YAML
Một tệp YAML (Yet Another Markup Language) xác định cấu hình tập dữ liệu, bao gồm các đường dẫn, tên lớp và các chi tiết thiết yếu khác. Đối với tập dữ liệu Phân đoạn Bộ phận Ô tô, tệp carparts-seg.yaml có sẵn tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Bạn có thể tìm hiểu thêm về định dạng YAML tại yaml.org.
# 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.zipCách sử dụng
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")Dữ liệu mẫu và Chú thích
Tập dữ liệu Phân đoạn Bộ phận Ô tô bao gồm nhiều hình ảnh và video đa dạng được ghi lại từ các góc độ khác nhau. Dưới đây là các ví dụ giới thiệu dữ liệu và các chú thích tương ứng của nó:
- Hình ảnh này minh họa phân đoạn đối tượng trong một mẫu ảnh ô tô. Các bounding box được chú thích kèm theo mặt nạ làm nổi bật các bộ phận ô tô đã xác định (ví dụ: đèn pha, lưới tản nhiệt).
- Tập dữ liệu có nhiều hình ảnh được ghi lại trong các điều kiện khác nhau (vị trí, ánh sáng, mật độ đối tượng), cung cấp một nguồn tài nguyên toàn diện để huấn luyện các model phân đoạn bộ phận ô tô mạnh mẽ.
- Ví dụ này nhấn mạnh sự phức tạp của tập dữ liệu và tầm quan trọng của dữ liệu chất lượng cao đối với các tác vụ thị giác máy tính, đặc biệt là trong các lĩnh vực chuyên biệt như phân tích linh kiện ô tô. Các kỹ thuật như tăng cường dữ liệu có thể tăng cường hơn nữa khả năng tổng quát hóa của model.
Trích dẫn và Ghi nhận
Nếu bạn sử dụng tập dữ liệu Phân đoạn Bộ phận Ô tô trong các nỗ lực nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn nguồn gốc:
@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 },
}Chúng tôi ghi nhận đóng góp của Gianmarco Russo và nhóm Roboflow trong việc tạo và duy trì tập dữ liệu có giá trị này cho cộng đồng thị giác máy tính. Để biết thêm các tập dữ liệu, hãy truy cập Bộ sưu tập Tập dữ liệu Ultralytics.
Câu hỏi thường gặp (FAQ)
Tập dữ liệu Phân đoạn Bộ phận Ô tô là gì?
Tập dữ liệu Phân đoạn Bộ phận Ô tô là một bộ sưu tập chuyên biệt gồm hình ảnh và video để huấn luyện các model thị giác máy tính thực hiện phân đoạn trên các bộ phận ô tô. Nó bao gồm nhiều hình ảnh trực quan đa dạng với các chú thích chi tiết, phù hợp cho các ứng dụng AI trong ngành ô tô.
Làm thế nào tôi có thể sử dụng Tập dữ liệu Phân đoạn Bộ phận Ô tô với Ultralytics YOLO26?
You can train an Ultralytics YOLO26 segmentation model using this dataset. Load a pretrained model (e.g., yolo26n-seg.pt) and initiate training using the provided Python or CLI examples, referencing the carparts-seg.yaml configuration file. Check the Training Guide for detailed instructions.
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)Một số ứng dụng của Phân đoạn Bộ phận Ô tô là gì?
Phân đoạn Bộ phận Ô tô hữu ích trong:
- Kiểm soát Chất lượng Ô tô: Đảm bảo các bộ phận đáp ứng tiêu chuẩn (AI trong Sản xuất).
- Sửa chữa Ô tô: Xác định các bộ phận cần bảo dưỡng.
- Thương mại điện tử: Lập danh mục các bộ phận trực tuyến.
- Xe tự lái: Cải thiện nhận thức của phương tiện (AI trong Ô tô).
- Bảo hiểm: Đánh giá hư hỏng phương tiện một cách tự động.
- Tái chế: Phân loại các bộ phận một cách hiệu quả.
Tôi có thể tìm tệp cấu hình tập dữ liệu cho Phân đoạn Bộ phận Ô tô ở đâu?
Tệp cấu hình tập dữ liệu carparts-seg.yaml, chứa thông tin chi tiết về đường dẫn và các lớp của tập dữ liệu, nằm trong kho lưu trữ GitHub của Ultralytics: carparts-seg.yaml.
Tại sao tôi nên sử dụng Tập dữ liệu Phân đoạn Bộ phận Ô tô?
Tập dữ liệu này cung cấp dữ liệu phong phú, có chú thích, rất quan trọng để phát triển các model phân đoạn chính xác cho các ứng dụng ô tô. Sự đa dạng của nó giúp cải thiện độ mạnh mẽ và hiệu suất của model trong các tình huống thực tế như kiểm tra phương tiện tự động, tăng cường các hệ thống an toàn và hỗ trợ công nghệ lái xe tự động. Sử dụng các tập dữ liệu chất lượng cao, chuyên biệt cho lĩnh vực này sẽ đẩy nhanh quá trình phát triển AI.