Bắt đầu

Dataset Segmentation Bộ phận Ô tô

Open Carparts Segmentation Dataset In Colab

Dataset Segmentation Bộ phận Ô tô Ultralytics cung cấp 3.833 ảnh được gán nhãn thuộc 23 class bộ phận ô tô — bao gồm cản xe, cửa, đèn, gương, nắp ca-pô và cốp — để huấn luyện model instance segmentation cho các tác vụ thị giác máy tính trong ngành ô tô. Ảnh được chụp từ nhiều góc độ và gán nhãn bằng mask ở cấp pixel; dataset có thể kết hợp trực tiếp với Ultralytics YOLO cho các trường hợp sử dụng từ kiểm soát chất lượng ô tô và sửa chữa xe đến đánh giá thiệt hại trong yêu cầu bồi thường bảo hiểm và nhận thức môi trường của xe tự hành.



Xem: Cách phân đoạn phụ tùng ô tô bằng Ultralytics Platform | Huấn luyện, triển khai và inference | Ultralytics YOLO26 🚀

Cấu trúc dataset#

Dataset Segmentation Bộ phận Ô tô chia 3.833 ảnh như sau:

  • Tập huấn luyện: 3,156 ảnh được dùng làm dữ liệu huấn luyện cho model deep learning.
  • Tập xác thực: 401 ảnh được dùng trong quá trình huấn luyện để tinh chỉnh hyperparameter và ngăn overfitting trên dữ liệu xác thực.
  • Tập kiểm thử: 276 ảnh được dùng để đánh giá model trên dữ liệu kiểm thử chưa dùng trong quá trình huấn luyện.
  • Class: Tổng cộng 23 class — 22 danh mục bộ phận ô tô có tên (cản xe, cửa, đèn, kính, gương, nắp ca-pô, cửa hậu, cốp và bánh xe) cùng class tổng quát object dành cho các bộ phận không thuộc những danh mục này.
  • Kích thước tải xuống: ~133 MB.

Ứng dụng#

Dataset Segmentation Bộ phận Ô tô có ứng dụng trong nhiều lĩnh vực, bao gồm:

  • Kiểm soát Chất lượng Ô tô: Nhận diện lỗi hoặc điểm không nhất quán ở các bộ phận ô tô trong quá trình sản xuất (AI trong Sản xuất).
  • Sửa chữa Ô tô: Hỗ trợ kỹ thuật viên xác định các bộ phận cần sửa chữa hoặc thay thế.
  • Phân loại danh mục thương mại điện tử: Tự động gắn thẻ và phân loại phụ tùng ô tô trong các cửa hàng trực tuyến.
  • Giám sát Giao thông: Phân tích các bộ phận xe trong video giám sát giao thông.
  • Xe Tự hành: Tăng cường hệ thống nhận thức của ô tô 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 nhận diện các bộ phận ô tô bị ảnh hưởng trong quá trình yêu cầu bồi thường bảo hiểm.
  • Tái chế: Phân loại các bộ phận xe để nâng cao hiệu quả quy trình tái chế.
  • 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.

Bạn cũng có thể duyệt và quản lý toàn bộ Dataset Segmentation Bộ phận Ô tô trên Ultralytics Platform.

YAML của dataset#

File YAML xác định cấu hình dataset, bao gồm đường dẫn, tên class và các thông tin thiết yếu khác. Với dataset Segmentation Bộ phận Ô tô, file carparts-seg.yaml có 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') 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.zip

Cách sử dụng#

Để huấn luyện model Ultralytics YOLO26n-seg trên Carparts Segmentation dataset trong 100 epoch với kích thước ảnh 640, hãy dùng các đoạn code sau.

Ví dụ huấn luyện
from ultralytics import YOLO

# Tải model segmentation pretrained, chẳng hạn như YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)

# Huấn luyện model trên dataset Segmentation Bộ phận Ô tô
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Sau khi huấn luyện, bạn có thể xác thực hiệu năng của model trên tập xác thực
results = model.val()

# Hoặc thực hiện dự đoán trên ảnh hoặc video mới
results = model.predict("path/to/your/image.jpg")

Dữ liệu mẫu và annotation#

Dưới đây là ảnh mẫu từ Dataset Segmentation Bộ phận Ô tô, được phủ các mask segmentation object, minh họa cách các bộ phận ô tô riêng lẻ được phác đường viền và gắn nhãn:

Mẫu dataset phân đoạn phụ tùng ô tô với các mask bộ phận được gán nhãn

Dataset bao gồm nhiều địa điểm, điều kiện ánh sáng và mật độ object khác nhau, giúp model được huấn luyện trên dataset tiếp xúc với nhiều bối cảnh thực tế mà model cần khái quát hóa.

Trích dẫn và lời cảm ơn#

Nếu sử dụng dataset phân đoạn phụ tùng ô tô trong nghiên cứu hoặc phát triển, vui lòng trích dẫn nguồn ban đầu:

Trích dẫn
@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 đội ngũ Roboflow trong việc tạo và duy trì dataset giá trị này cho cộng đồng thị giác máy tính. Để tìm thêm dataset, hãy truy cập bộ sưu tập Dataset của Ultralytics.

Câu hỏi thường gặp#

  • Dataset Segmentation Bộ phận Ô tô là bộ sưu tập được tuyển chọn gồm 3.833 ảnh gán nhãn thuộc 23 class bộ phận ô tô — cản xe, cửa, đèn, gương, nắp ca-pô, cốp và nhiều bộ phận khác — dùng để huấn luyện và đánh giá model instance segmentation. Dataset được xây dựng cho các ứng dụng thị giác máy tính trong ngành ô tô như kiểm soát chất lượng, sửa chữa xe và đánh giá thiệt hại, đồng thời được sử dụng trực tiếp với YOLO26 của Ultralytics thông qua file cấu hình carparts-seg.yaml.

  • Dataset có tổng cộng 3.833 ảnh — 3.156 ảnh huấn luyện, 401 ảnh xác thực và 276 ảnh kiểm thử — thuộc 23 class: 22 danh mục bộ phận ô tô có tên cùng class tổng quát object dành cho các bộ phận không thuộc những danh mục đó. Khi sử dụng lần đầu, toàn bộ archive sẽ tự động được tải xuống dưới dạng file .zip có dung lượng ~133 MB.

  • Tải model segmentation pretrained (ví dụ: yolo26n-seg.pt) và huấn luyện model bằng cấu hình carparts-seg.yaml thông qua các đoạn mã Python hoặc CLI trong phần Cách sử dụng ở trên. Xem hướng dẫn Huấn luyện để biết danh sách đầy đủ các đối số hiện có.

  • Segmentation bộ phận ô tô hỗ trợ kiểm soát chất lượng ô tô, sửa chữa xe, lập danh mục thương mại điện tử, giám sát giao thông, nhận thức môi trường cho xe tự hành, đánh giá thiệt hại bảo hiểm, tái chế và các sáng kiến thành phố thông minh — xem phần Ứng dụng ở trên để biết chi tiết về từng trường hợp sử dụng.

  • File cấu hình dataset carparts-seg.yaml, chứa thông tin về đường dẫn và class của dataset, nằm trong repository GitHub của Ultralytics: carparts-seg.yaml.

  • Dataset cung cấp các chú giải ở cấp pixel để phát triển model phân đoạn chính xác cho ứng dụng ô tô. Tính đa dạng của dataset cải thiện độ bền vững của model trong các tình huống thực tế như kiểm tra xe tự động, hệ thống an toàn xe và lái xe tự hành.

Bình luận2

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

    1. Glenn JocherUltralytics(đã chỉnh sửa)

      @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=640

      For more details, visit the Ultralytics documentation.