Bộ dữ liệu Phân đoạn Carparts
Bộ dữ liệu Phân đoạn Bộ phận Xe hơi, có sẵn trên Roboflow Universe, là một tập hợp các hình ảnh và video được tuyển chọn, được thiết kế cho các ứng dụng thị giác máy tính, đặc biệt tập trung vào các tác vụ phân đoạn. Được lưu trữ trên Roboflow Universe, bộ dữ liệu này cung cấp một tập hợp đa dạng các hình ảnh được chụp từ nhiều góc độ, cung cấp các ví dụ đã chú thích có giá trị để huấn luyện và kiểm tra các mô hình phân đoạn.
Cho dù bạn đang làm việc về nghiên cứu ô tô, phát triển các giải pháp AI để bảo trì xe hoặc khám phá các ứng dụng thị giác máy tính, Bộ dữ liệu Phân đoạn Carparts đóng vai trò là một nguồn tài nguyên có giá trị để nâng cao độ chính xác và hiệu quả của các dự án của bạn bằng cách sử dụng các mô hình như Ultralytics YOLO.
Xem: Các bộ phận xe hơi Phân đoạn thực thể với Ultralytics YOLO11.
Cấu trúc bộ dữ liệu
Phân phối dữ liệu trong Carparts Segmentation Dataset được tổ chức như sau:
- Tập huấn luyện: Bao gồm 3156 hình ảnh, mỗi hình ảnh đi kèm với các chú thích tương ứng. Tập dữ liệu này được sử dụng để huấn luyện mô hình học sâu.
- Tập dữ liệu thử nghiệm: Bao gồm 276 hình ảnh, mỗi hình ảnh đi kèm với các chú thích tương ứng. Tập dữ liệu này được sử dụng để đánh giá hiệu suất của mô hình sau khi huấn luyện bằng cách sử dụng dữ liệu kiểm thử.
- Tập dữ liệu Validation: Bao gồm 401 hình ảnh, mỗi hình ảnh có các chú thích tương ứng. Tập dữ liệu này được sử dụng trong quá trình huấn luyện để điều chỉnh siêu tham số (hyperparameters) và ngăn ngừa quá khớp (overfitting) bằng cách sử dụng dữ liệu validation.
Các ứng dụng
Phân đoạn Carparts được ứng dụng trong nhiều lĩnh vực khác nhau, bao gồm:
- Kiểm soát chất lượng ô tô: Xác định các khuyết tật hoặc sự không nhất quán trong các bộ phận xe hơi trong quá trình sản xuất (AI trong sản xuất).
- Sửa chữa ô tô: Hỗ trợ thợ máy xác định các bộ phận để sửa chữa hoặc thay thế.
- Lập danh mục thương mại điện tử: Tự động gắn thẻ và phân loại các bộ phận xe hơi trong các cửa hàng trực tuyến cho các nền tảng thương mại điện tử.
- Giám sát giao thông: Phân tích các thành phần xe trong cảnh quay giám sát giao thông.
- Phương Tiện Tự Hành: 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 việc đánh giá thiệt hại bằng cách xác định các bộ phận xe bị ảnh hưởng trong các yêu cầu bồi thường bảo hiểm.
- Tái chế: Phân loại các bộ phận xe để có quy trình tái chế hiệu quả.
- Các sáng kiến về Thành phố Thông minh: Đóng góp dữ liệu cho quy hoạch đô thị và hệ thống quản lý giao thông trong Các Thành phố Thông minh.
Bằng cách xác định và phân loại chính xác các thành phần xe khác nhau, phân đoạn carparts hợp lý hóa các quy trình và đóng góp vào việc tăng hiệu quả và tự động hóa trong các ngành này.
YAML bộ dữ liệu
Một YAML Tệp (Yet Another Markup Language) xác định cấu hình bộ dữ liệu, bao gồm đường dẫn, tên lớp và các chi tiết cần thiết khác. Đối với bộ dữ liệu Carparts Segmentation, tệp carparts-seg.yaml tệp 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/cfg/datasets/carparts-seg.yaml
# 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
Cách sử dụng
Để huấn luyện mô hình Ultralytics YOLO11 trên bộ dữ liệu Carparts Segmentation trong 100 epochs với kích thước ảnh là 640, hãy sử dụng các đoạn mã sau. Tham khảo hướng dẫn Huấn luyện mô hình để có danh sách đầy đủ các đối số có sẵn và khám phá các mẹo huấn luyện mô hình để có các phương pháp hay nhất.
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a pretrained segmentation model like YOLO11n-seg
model = YOLO("yolo11n-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")
# Start training from a pretrained *.pt model using the Command Line Interface
# Specify the dataset config file, model, number of epochs, and image size
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
# Validate the trained model using the validation set
# yolo segment val model=path/to/best.pt
# Predict using the trained model on a specific image source
# yolo segment predict model=path/to/best.pt source=path/to/your/image.jpg
Dữ liệu mẫu và Chú thích
Bộ dữ liệu Phân đoạn Bộ phận Xe hơi bao gồm một loạt các hình ảnh và video đa dạng được chụp từ nhiều góc độ khác nhau. Dưới đây là các ví dụ giới thiệu dữ liệu và các chú thích tương ứng của nó:
- Hình ảnh minh họa phân đoạn đối tượng trong một mẫu hình ảnh xe hơi. Các hộp giới hạn được chú thích bằng mặt nạ làm nổi bật các bộ phận xe hơi được xác định (ví dụ: đèn pha, lưới tản nhiệt).
- Bộ dữ liệu có nhiều hình ảnh được chụp 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 mô hình phân vùng bộ phận xe mạnh mẽ.
- Ví dụ này nhấn mạnh sự phức tạp của bộ dữ liệu và tầm quan trọng của dữ liệu chất lượng cao đối với các tác vụ thị giác máy tính, đặc biệt trong các lĩnh vực chuyên biệt như phân tích thành phần ô tô. Các kỹ thuật như tăng cường dữ liệu có thể nâng cao hơn nữa khả năng khái quát hóa của mô hình.
Trích dẫn và Lời cảm ơn
Nếu bạn sử dụng bộ dữ liệu Phân đoạn Phụ tùng 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 },
journal = { Roboflow Universe },
publisher = { Roboflow },
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 bộ dữ liệu có giá trị này cho cộng đồng thị giác máy tính. Để biết thêm bộ dữ liệu, hãy truy cập bộ sưu tập Bộ Dữ Liệu Ultralytics.
Câu hỏi thường gặp
Tập dữ liệu Phân đoạn Bộ phận Xe hơi (Carparts Segmentation Dataset) là gì?
Bộ dữ liệu Phân đoạn Bộ phận Xe hơi là một tập hợp các hình ảnh và video chuyên biệt để huấn luyện các mô hình thị giác máy tính thực hiện phân đoạn trên các bộ phận xe hơi. Nó bao gồm các hình ảnh đa dạng với các chú thích chi tiết, phù hợp cho các ứng dụng AI trong ngành ô tô.
Làm thế nào để sử dụng Bộ dữ liệu Phân đoạn Carparts với Ultralytics YOLO11?
Bạn có thể huấn luyện một Ultralytics YOLO11 mô hình phân đoạn bằng cách sử dụng bộ dữ liệu này. Tải một mô hình đã được huấn luyện trước (ví dụ: yolo11n-seg.pt) và bắt đầu huấn luyện bằng cách sử dụng các ví dụ Python hoặc CLI được cung cấp, tham khảo carparts-seg.yaml tệp cấu hình. Kiểm tra Hướng dẫn Huấn luyện để biết hướng dẫn chi tiết.
Đoạn mã ví dụ huấn luyện
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Một số ứng dụng của phân đoạn Carparts là gì?
Phân đoạn Carparts 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.
- Phương Tiện Tự Hành: Cải thiện khả năng nhận thức của xe (AI trong ngành ô tô).
- Bảo hiểm: Tự động đánh giá thiệt hại xe.
- Tái chế: Phân loại các bộ phận một cách hiệu quả.
Tôi có thể tìm thấy tệp cấu hình bộ dữ liệu cho phân đoạn phụ tùng ô tô ở đâu?
Tệp cấu hình bộ dữ liệu, carparts-seg.yaml, chứa thông tin chi tiết về đường dẫn và các lớp dữ liệu, nằm trong kho lưu trữ Ultralytics GitHub: carparts-seg.yaml.
Tại sao tôi nên sử dụng Bộ dữ liệu phân đoạn phụ tùng ô tô?
Bộ dữ liệu này cung cấp dữ liệu được chú thích phong phú, rất quan trọng để phát triển các mô hình 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 mô hình trong các tình huống thực tế như kiểm tra xe tự động, tăng cường hệ thống an toàn và hỗ trợ công nghệ lái xe tự động. Việc sử dụng các bộ dữ liệu chất lượng cao, dành riêng cho lĩnh vực như thế này sẽ đẩy nhanh quá trình phát triển AI.
