Bộ dữ liệu phân đoạn phụ tùng xe#

Bộ dữ liệu phân đoạn bộ phận xe hơi Ultralytics cung cấp 3.833 hình ảnh được chú thích trên 23 lớp bộ phận xe — bao gồm cản xe, cửa, đèn, gương, mui xe và cốp xe — để huấn luyện các mô hình phân đoạn cá thể trên các tác vụ thị giác máy tính trong ngành ô tô. Được chụp từ nhiều góc độ và được chú thích bằng mặt nạ cấp độ điểm ảnh, 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 ô tô đến đánh giá thiệt hại yêu cầu bảo hiểm và nhận thức xe tự hành.

Cấu trúc tập dữ liệu#

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

• Tập huấn luyện: 3.156 hình ảnh được sử dụng để huấn luyện mô hình học sâu.
• Tập xác thực: 401 hình ảnh được sử dụng trong quá trình huấn luyện để tinh chỉnh siêu tham số và ngăn chặn tình trạng quá khớp trên dữ liệu xác thực.
• Tập kiểm thử: 276 hình ảnh được sử dụng để đánh giá mô hình trên dữ liệu kiểm thử giữ lại sau khi huấn luyện.
• Các lớp: tổng cộng 23 lớp — 22 danh mục bộ phận xe có tên (cản xe, cửa, đèn, kính, gương, mui xe, cửa hậu, cốp xe và bánh xe) cộng với một lớp tổng hợp object cho các bộ phận nằm ngoài các danh mục đó.
• Dung lượng tải xuống: ~133 MB.

Ứng dụng#

Phân đoạn phụ tùng xe được 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 xe hơi 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.
• Lập danh mục thương mại điện tử: Tự động gắn thẻ và phân loại các phụ tùng ô tô trong các cửa hàng trực tuyến cho các nền tảng thương mại điện tử.
• 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 xe tự lái để hiểu rõ hơn 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 hệ thống quản lý giao thông trong Thành phố thông minh.

Bộ dữ liệu Phân đoạn Carparts hoàn chỉnh cũng có thể được duyệt và quản lý trên Nền tảng Ultralytics.

YAML tập dữ liệu#

Một tệp YAML xác định cấu hình bộ dữ liệu, bao gồm đường dẫn, tên lớp và các chi tiết thiết yếu khác. Đối với bộ dữ liệu Phân đoạn Carparts, 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

Cách sử dụng#

Để huấn luyện mô hình Ultralytics YOLO26 trên bộ dữ liệu Phân đoạn Carparts trong 100 chu kỳ 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 toàn diện các tham số có sẵn và khám phá mẹo huấn luyện mô hình để biết các phương pháp hay 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")

Dữ liệu mẫu và Chú thích#

Dưới đây là một hình ảnh mẫu từ Bộ dữ liệu Phân đoạn Carparts với các mặt nạ phân đoạn đối tượng được chồng lên, cho thấy cách các bộ phận xe riêng lẻ được viền và dán 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.

Trích 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 sự 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 xem thêm các bộ dữ liệu, hãy truy cập Bộ sưu tập dữ liệu Ultralytics.

Câu hỏi thường gặp#