Bộ dữ liệu phân khúc phụ tùng ô tô

Bộ dữ liệu phân khúc Carparts, có sẵn trên Roboflow Universe, là một bộ sưu tập 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, tập dữ liệu này cung cấp một tập hợp hình ảnh đa dạng được chụp từ nhiều góc nhìn, đưa ra các ví dụ chú thích có giá trị để đào tạo và thử nghiệm các mô hình phân đoạn.

Cho dù bạn đang nghiên cứu về ô tô , phát triển các giải pháp AI để bảo dưỡng xe hay khám phá các ứng dụng thị giác máy tính, Bộ dữ liệu phân khúc Carparts đóng vai trò là nguồn tài nguyên có giá trị giúp nâng cao độ chính xác và hiệu quả của các dự án của bạn bằng cách sử dụng các mô hình như Ultralytics YOLO .

Đồng hồ: Phụ tùng ô tô Phân đoạn trường hợp với Ultralytics YOLO11 .

Cấu trúc tập dữ liệu

Phân phối dữ liệu trong Bộ dữ liệu phân khúc xe được tổ chức như sau:

• Bộ đào tạo : Bao gồm 3156 hình ảnh, mỗi hình ảnh có chú thích tương ứng. Bộ này được sử dụng để đào tạo mô hình học sâu .
• Bộ thử nghiệm : Bao gồm 276 hình ảnh, mỗi hình ảnh được ghép nối với chú thích tương ứng. Bộ này được sử dụng để đánh giá hiệu suất của mô hình sau khi đào tạo bằng dữ liệu thử nghiệm .
• Bộ xác thực : Bao gồm 401 hình ảnh, mỗi hình ảnh có chú thích tương ứng. Bộ này được sử dụng trong quá trình đào tạo để điều chỉnh siêu tham số và ngăn chặn việc quá khớp khi sử dụng dữ liệu xác thực .

Ứng dụng

Phân khúc phụ tùng ô tô được ứng dụng trong nhiều lĩnh vực khác nhau bao gồm:

• Kiểm soát chất lượng ô tô : Xác định lỗi hoặc sự không nhất quán trong các bộ phận ô tô 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 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 xe trong cảnh quay giám sát giao thông.
• Xe 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 đánh giá thiệt hại bằng cách xác định các bộ phận xe bị ảnh hưởng trong quá trình yêu cầu bảo hiểm.
• Tái chế : Phân loại các bộ phận của xe để có quy trình tái chế hiệu quả.
• Sáng kiến Thành phố thông minh : Đóng góp dữ liệu cho hệ thống quản lý giao thông và quy hoạch đô thị trong các Thành phố thông minh .

Bằng cách xác định và phân loại chính xác các thành phần khác nhau của xe, phân khúc phụ tùng ô tô hợp lý hóa quy trình và góp phần tăng hiệu quả cũng như tự động hóa trong các ngành công nghiệp này.

Bộ dữ liệu YAML

MỘT YAML Tệp (Yet Another Markup Language) định nghĩa cấu hình tập dữ liệu, bao gồm đường dẫn, tên lớp và các chi tiết thiết yếu khác. Đối với tập dữ liệu Carparts Segmentation, carparts-seg.yaml tập tin 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 (132 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: ../datasets/carparts-seg # dataset root dir
train: train/images # train images (relative to 'path') 3516 images
val: valid/images # val images (relative to 'path') 276 images
test: test/images # 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 đào tạo mô hình Ultralytics YOLO11 trên tập dữ liệu Carparts Segmentation trong 100 kỷ nguyên với kích thước hình ảnh là 640, hãy sử dụng các đoạn mã sau. Tham khảo hướng dẫn Đào tạo mô hình để biết danh sách toàn diện các đối số khả dụng và khám phá các mẹo đào tạo mô hình để biết các phương pháp hay nhất.

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 Carparts Segmentation bao gồm nhiều hình ảnh và video được chụp từ nhiều góc độ khác nhau. Dưới đây là các ví dụ minh họa dữ liệu và chú thích tương ứng:

• Hình ảnh minh họa phân đoạn đối tượng trong mẫu hình ảnh ô tô. Các hộp giới hạn có chú thích với mặt nạ làm nổi bật các bộ phận ô tô đã 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 vật thể), cung cấp nguồn tài nguyên toàn diện để đào tạo các mô hình phân đoạn bộ phận ô tô mạnh mẽ.
• Ví dụ này nhấn mạnh tính phức tạp của tập dữ liệu và tầm quan trọng của dữ liệu chất lượng cao đối với các tác vụ thị giác máy tính, đặc biệt là 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 mô hình.

Trích dẫn và Lời cảm ơn

Nếu bạn sử dụng bộ dữ liệu Carparts Segmentation trong 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 sự đóng góp của Gianmarco Russo và Roboflow nhóm trong việc tạo và duy trì tập dữ liệu có giá trị này cho cộng đồng thị giác máy tính. Để biết thêm các tập dữ liệu, hãy truy cập bộ sưu tập Dữ liệu Ultralytics .

CÂU HỎI THƯỜNG GẶP

Bộ dữ liệu phân khúc Carparts là gì?

Carparts Segmentation Dataset là một bộ sưu tập hình ảnh và video chuyên biệt để đào tạo các mô hình thị giác máy tính thực hiện phân đoạn trên các bộ phận ô tô. Nó bao gồm nhiều hình ảnh trực quan với chú thích chi tiết, phù hợp với các ứng dụng AI ô tô.

Làm thế nào tôi có thể sử dụng Bộ dữ liệu phân đoạn Carparts với Ultralytics YOLO11 ?

Bạn có thể đào tạo một Ultralytics YOLO11 mô hình phân đoạn sử dụng tập dữ liệu này. Tải một mô hình được đào tạo trước (ví dụ: yolo11n-seg.pt) và bắt đầu đào tạo bằng cách sử dụng Python hoặc CLI ví dụ, tham khảo carparts-seg.yaml tập tin cấu hình. Kiểm tra Hướng dẫn đào tạo để biết hướng dẫn chi tiết.

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 khúc phụ tùng ô tô 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 linh kiện trực tuyến.
• Xe tự hành : Cải thiện nhận thức về xe ( AI trong ô tô ).
• Bảo hiểm : Tự động đánh giá thiệt hại của xe.
• Tái chế : Phân loại các bộ phận một cách hiệu quả.

Tôi có thể tìm tệp cấu hình bộ dữ liệu cho Carparts Segmentation ở đâu?

Tệp cấu hình tập dữ liệu, carparts-seg.yaml, chứa thông tin chi tiết về các đường dẫn và lớp dữ liệu, nằm trong Ultralytics Kho lưu trữ GitHub: carparts-seg.yaml.

Tại sao tôi nên sử dụng Bộ dữ liệu phân khúc Carparts?

Bộ dữ liệu này cung cấp dữ liệu chú thích phong phú, 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. Sử dụng các bộ dữ liệu chất lượng cao, dành riêng cho từng miền như thế này giúp đẩy nhanh quá trình phát triển AI.

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 20 ngày

Bình luận