Link to this sectionBộ dữ liệu phân đoạn phụ tùng xe#

Bộ dữ liệu phân đoạn phụ tùng xe là một tập hợp các hình ảnh và video được tuyển chọn, thiết kế cho các ứng dụng computer vision, tập trung cụ thể vào segmentation tasks. Bộ dữ liệu này cung cấp nhiều hình ảnh đa dạng được ghi lại từ nhiều góc độ, mang đến các ví dụ có annotated giá trị để huấn luyện và kiểm thử các model phân đoạn.

Cho dù bạn đang thực hiện automotive research, phát triển các giải pháp AI cho việc bảo trì phương tiện hay khám phá các ứng dụng computer vision, bộ dữ liệu phân đoạn phụ tùng xe là một tài nguyên giá trị giúp nâng cao accuracy 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 🚀

Link to this sectionCấu trúc tập dữ liệu#

Sự phân bổ dữ liệu trong bộ dữ liệu phân đoạn phụ tùng xe được tổ chức như sau:

Training set: Bao gồm 3516 hình ảnh, mỗi hình ảnh đi kèm với các chú thích tương ứng. Tập hợp này được sử dụng để training deep learning model.
Testing set: Bao gồm 401 hình ảnh, mỗi hình ảnh được ghép nối với các chú thích tương ứng. Tập hợp này được sử dụng để đánh giá hiệu suất của model sau khi huấn luyện bằng test data.
Validation set: Bao gồm 276 hình ảnh, mỗi hình ảnh có các chú thích tương ứng. Tập hợp này được sử dụng trong quá trình huấn luyện để tinh chỉnh hyperparameters và ngăn chặn overfitting bằng cách sử dụng validation data.

Link to this sectionỨng dụng#

Phân đoạn phụ tùng xe được ứng dụng trong nhiều lĩnh vực bao gồm:

Kiểm soát chất lượng ô tô: Xác định các lỗi hoặc sự không nhất quán của phụ tùng xe trong quá trình sản xuất (AI in Manufacturing).
Sửa chữa ô tô: Hỗ trợ thợ máy xác định các bộ phận cần sửa chữa hoặc thay thế.
Danh mục thương mại điện tử: Tự động gắn thẻ và phân loại phụ tùng xe trên các cửa hàng trực tuyến cho các nền tảng e-commerce.
Giám sát giao thông: Phân tích các thành phần của phương tiện trong các đoạn phim giám sát giao thông.
Xe tự hành: Nâng cao hệ thống nhận thức của self-driving cars để hiểu rõ hơn về các phương tiện xung quanh.
Quy trình bảo hiểm: Tự động hóa đánh giá hư hại bằng cách xác định các phụ tùng xe bị ảnh hưởng trong các yêu cầu bảo hiểm.
Tái chế: Phân loại các thành phần xe 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 Smart Cities.

Bằng cách xác định và phân loại chính xác các thành phần phương tiện khác nhau, việc phân đoạn phụ tùng xe giúp hợp lý hóa các quy trình và góp phần tăng hiệu quả cũng như tính tự động hóa trên các ngành này.

Link to this sectionYAML tập dữ liệu#

Một tệp YAML định nghĩa cấu hình bộ dữ liệu, bao gồm các đường dẫn, tên lớp và các chi tiết thiết yếu khác. Đối với bộ dữ liệu phân đoạn phụ tùng xe, 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/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

Link to this sectionCách sử dụng#

Để huấn luyện model Ultralytics YOLO26 trên bộ dữ liệu phân đoạn phụ tùng xe trong 100 epochs với kích thước hình ảnh là 640, hãy sử dụng các đoạn mã sau. Tham khảo Training guide của model để có danh sách đầy đủ các tham số khả dụng và khám phá model training tips để biết các phương pháp thực tiễn tốt nhất.

Ví dụ về Training

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 sectionDữ liệu mẫu và Chú thích#

Bộ dữ liệu phân đoạn phụ tùng xe bao gồm một loạt các hình ảnh và video đa dạng được ghi lại từ nhiều góc độ khác nhau. Dưới đây là các ví dụ giới thiệu dữ liệu và các chú thích tương ứng:

Hình ảnh mẫu bộ dữ liệu phân đoạn phụ tùng xe

Hình ảnh minh họa object segmentation trong một mẫu hình ảnh xe hơi. bounding boxes đã chú thích với các mask làm nổi bật các phụ tùng xe được xác định (ví dụ: đèn pha, lưới tản nhiệt).
Bộ dữ liệu có nhiều loại hình ảnh được chụp trong các điều kiện khác nhau (vị trí, ánh sáng, mật độ vật thể), cung cấp một tài nguyên toàn diện để huấn luyện các model phân đoạn phụ tùng xe mạnh mẽ.
Ví dụ này nhấn mạnh tính phức tạp của bộ dữ liệu và tầm quan trọng của high-quality data đối với các tác vụ computer vision, đặc biệt là trong các lĩnh vực chuyên biệt như phân tích thành phần ô tô. Các kỹ thuật như data augmentation có thể tăng cường khả năng tổng quát hóa của model.

Link to this sectionTrích dẫn và Ghi nhận#

Nếu bạn sử dụng bộ dữ liệu phân đoạn phụ tùng xe trong các nỗ lực nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn nguồn gốc:

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 sự đóng góp của Gianmarco Russo và nhóm Roboflow trong việc tạo và duy trì bộ dữ liệu giá trị này cho cộng đồng computer vision. Để biết thêm bộ dữ liệu, hãy truy cập Ultralytics Datasets collection.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionBộ dữ liệu phân đoạn phụ tùng xe là gì?#

Bộ dữ liệu phân đoạn phụ tùng xe là một tập hợp chuyên biệt gồm các hình ảnh và video để huấn luyện các model computer vision thực hiện segmentation trên các phụ tùng xe. Nó bao gồm nhiều hình ảnh đa dạng với các chú thích chi tiết, phù hợp cho các ứng dụng AI trong ngành ô tô.

Link to this sectionLàm thế nào tôi có thể sử dụng bộ dữ liệu phân đoạn phụ tùng xe với Ultralytics YOLO26?#

Bạn có thể huấn luyện một model phân đoạn Ultralytics YOLO26 bằng cách sử dụng bộ dữ liệu này. Tải một model đã huấn luyện trước (ví dụ: yolo26n-seg.pt) và bắt đầu huấn luyện bằng các ví dụ Python hoặc CLI được cung cấp, tham chiếu đến tệp cấu hình carparts-seg.yaml. Kiểm tra Training Guide để biết hướng dẫn chi tiết.

Đoạn mã ví dụ huấn luyện

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 sectionMột số ứng dụng của phân đoạn phụ tùng xe là gì?#

Phân đoạn phụ tùng xe hữu ích trong:

Kiểm soát chất lượng ô tô: Đảm bảo phụ tùng đáp ứng các tiêu chuẩn (AI in Manufacturing).
Sửa chữa ô tô: Xác định các bộ phận cần bảo dưỡng.
Thương mại điện tử: Lập danh mục phụ tùng trực tuyến.
Xe tự hành: Cải thiện nhận thức của phương tiện (AI in Automotive).
Bảo hiểm: Đánh giá hư hại xe một cách tự động.
Tái chế: Phân loại phụ tùng hiệu quả.

Link to this sectionTôi có thể tìm tệp cấu hình bộ dữ liệu cho phân đoạn phụ tùng xe ở đâu?#

Tệp cấu hình bộ dữ liệu, carparts-seg.yaml, chứa các chi tiết về đường dẫn và các lớp của bộ dữ liệu, nằm trong kho lưu trữ GitHub của Ultralytics: carparts-seg.yaml.

Link to this sectionTại sao tôi nên sử dụng bộ dữ liệu phân đoạn phụ tùng xe?#

Bộ dữ liệu này cung cấp dữ liệu phong phú, đã được chú thích, rất quan trọng để phát triển các segmentation models chính xác cho các ứng dụng ô tô. Sự đa dạng của nó giúp cải thiện tính mạnh mẽ và hiệu suất của model trong các tình huống thực tế như kiểm tra phương tiện tự động, nâng cao hệ thống an toàn và hỗ trợ công nghệ lái xe tự hành. Việc sử dụng các bộ dữ liệu chất lượng cao, chuyên biệt cho lĩnh vực này giúp đẩy nhanh quá trình phát triển AI.

Người đóng góp

GLglenn-jocher¹⁴ RIRizwanMunawar⁷ ONonuralpszr¹ LEleonnil¹ MAMatthewNoyce¹

Đã tạo 25 thg 1, 2024Đã cập nhật 3 ngày trước