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

Ultralytics Carparts Segmentation Dataset cung cấp 3.833 hình ảnh đã được chú thích trên 23 lớp bộ phận xe hơi — bao gồm cản xe, cửa, đèn, gương, nắp capo và cốp xe — để huấn luyện các mô hình instance segmentation cho các tác vụ computer vision ô tô. Được thu thập từ nhiều góc độ và annotated với các mask cấp pixel, bộ dữ liệu này 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 yêu cầu bảo hiểm và nhận diện xe tự hành.

Link to this sectionCấu trúc tập dữ liệu#

Carparts Segmentation Dataset chia 3.833 hình ảnh của nó như sau:

• Training set: 3,156 images used for training the deep learning model.
• Tập kiểm chứng (Validation set): 401 hình ảnh được sử dụng trong quá trình huấn luyện để tinh chỉnh hyperparameters và ngăn ngừa overfitting trên validation data.
• Tập kiểm thử (Testing set): 276 hình ảnh được sử dụng để đánh giá mô hình trên test data tách biệt sau khi huấn luyện.
• Các lớp (Classes): Tổng cộng 23 lớp — 22 danh mục bộ phận xe hơi được đặt tên (cản xe, cửa, đèn, kính, gương, nắp capo, cửa đuôi, cốp xe và bánh xe) cộng với một lớp object bao quát cho các bộ phận nằm ngoài các danh mục đó.
• Dung lượng tải xuống: ~133 MB.

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: Nhận diện các lỗi hoặc sự không nhất quán của linh kiện xe trong quá trình sản xuất (AI trong sản xuất).
• 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.

Toàn bộ Carparts Segmentation Dataset cũng có thể được duyệt và quản lý trên Ultralytics Platform.

Link to this sectionYAML tập dữ liệu#

Một tệp YAML định nghĩa cấu hình tập dữ liệu, bao gồm các đường dẫn, tên lớp và các chi tiết cần thiết khác. Đối với tập dữ liệu Carparts Segmentation, 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') 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

Link to this sectionCách sử dụng#

Để huấn luyện một model Ultralytics YOLO26 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 model để có danh sách đầy đủ các đối số khả dụng và khám phá các mẹo huấn luyện model để biết các phương pháp thực hành tốt nhất.

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#

Dưới đây là một ví dụ hình ảnh từ Carparts Segmentation Dataset với các mask object segmentation được phủ lên, cho thấy cách các bộ phận xe hơi riêng lẻ được phác thảo và gắn nhãn:

Bộ dữ liệu trải rộng trên nhiều địa điểm, điều kiện ánh sáng và mật độ đối tượng khác nhau, giúp các mô hình được huấn luyện trên đó tiếp xúc với phạm vi các cảnh thực tế mà chúng cần có khả năng tổng quát hóa.

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:

@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 xây dựng và duy trì bộ dữ liệu giá trị này cho cộng đồng computer vision. Để biết thêm các bộ dữ liệu khác, hãy truy cập bộ sưu tập Ultralytics Datasets.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionCarparts Segmentation Dataset là gì và nó được sử dụng như thế nào trong Ultralytics YOLO26?#

Carparts Segmentation Dataset là một bộ sưu tập được tuyển chọn gồm 3.833 hình ảnh đã được chú thích trải rộng trên 23 lớp bộ phận xe hơi — cản xe, cửa, đèn, gương, nắp capo, cốp xe và nhiều bộ phận khác — để huấn luyện và đánh giá các mô hình instance segmentation. Nó được xây dựng cho các ứng dụng computer vision ô tô như kiểm soát chất lượng, sửa chữa xe và đánh giá thiệt hại, đồng thời được sử dụng trực tiếp với Ultralytics YOLO26 thông qua tệp cấu hình carparts-seg.yaml.

Link to this sectionCarparts Segmentation Dataset chứa bao nhiêu hình ảnh và lớp?#

Bộ dữ liệu có tổng cộng 3.833 hình ảnh — 3.156 để huấn luyện, 401 để kiểm chứng và 276 để kiểm thử — trên 23 lớp: 22 danh mục bộ phận xe hơi được đặt tên cộng với một lớp object bao quát cho các bộ phận nằm ngoài các danh mục đó. Lưu trữ đầy đủ sẽ tự động tải xuống dưới dạng tệp .zip khoảng ~133 MB khi sử dụng lần đầu.

Link to this sectionLàm cách nào để tôi huấn luyện mô hình Ultralytics YOLO26 trên Carparts Segmentation Dataset?#

Tải một mô hình segmentation đã được huấn luyện trước (ví dụ: yolo26n-seg.pt) và huấn luyện nó với cấu hình carparts-seg.yaml sử dụng đoạn mã Python hoặc CLI trong phần Usage ở trên. Xem Training guide để biết danh sách đầy đủ các tham số có sẵn.

Link to this sectionCác ứng dụng của Carparts Segmentation Dataset là gì?#

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

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 cho việc phát triển các segmentation models chính xác cho các ứng dụng ô tô. Sự đa dạng của bộ dữ liệu giúp cải thiện tính ổn định và hiệu suất của model trong các tình huống thực tế như kiểm tra xe tự động, nâng cao hệ thống an toàn và hỗ trợ công nghệ lái xe tự động. Việc sử dụng các bộ dữ liệu chất lượng cao, chuyên biệt cho từng lĩnh vực như thế này sẽ đẩy nhanh quá trình phát triển AI.