Roboflow Bộ dữ liệu phân đoạn Carparts vũ trụ

Các RoboflowBộ dữ liệu phân đoạn phụ tùng là một bộ sưu tập hình ảnh và video được quản lý được thiết kế cho các ứng dụng thị giác máy tính, đặc biệt tập trung vào các nhiệm vụ phân đoạn liên quan đến các bộ phận xe hơi. Bộ dữ liệu này cung cấp một bộ hình ảnh đa dạng được chụp từ nhiều góc độ, cung cấp các ví dụ chú thích có giá trị cho các mô hình phân đoạn đào tạo và thử nghiệm.

Cho dù bạn đang nghiên cứu 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 đoạn phụ tùng đóng vai trò là tài nguyên quý giá để nâng cao độ chính xác và hiệu quả trong các dự án của bạn.

Xem: Phân đoạn phiên bản Carparts bằng cách sử dụng Ultralytics Trung tâm

Cấu trúc tập dữ liệu

Việc phân phối dữ liệu trong Tập dữ liệu phân đoạn Carparts được tổ chức như được nêu dưới đây:

• Bộ đào tạo: Bao gồm 3156 hình ảnh, mỗi hình ảnh đi kèm với các chú thích tương ứng.
• Bộ thử nghiệm: Bao gồm 276 hình ảnh, với mỗi hình ảnh được ghép nối với các chú thích tương ứng.
• Bộ xác thực: Bao gồm 401 hình ảnh, mỗi hình ảnh có chú thích tương ứng.

Ứng dụng

Phân khúc phụ tùng tìm thấy các ứng dụng trong kiểm soát chất lượng ô tô, sửa chữa ô tô, danh mục thương mại điện tử, giám sát giao thông, xe tự hành, xử lý bảo hiểm, tái chế và các sáng kiến thành phố thông minh. Nó hợp lý hóa các quy trình bằng cách xác định và phân loại chính xác các thành phần khác nhau của xe, góp phần vào hiệu quả và tự động hóa trong các ngành công nghiệp khác nhau.

Tập dữ liệu YAML

Tệp YAML (Yet Another Markup Language) được sử dụng để xác định cấu hình tập dữ liệu. Nó chứa thông tin về đường dẫn, lớp và thông tin liên quan khác của tập dữ liệu. Trong trường hợp tập dữ liệu Phân đoạn gói, carparts-seg.yaml Tệp được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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://ultralytics.com/assets/carparts-seg.zip

Sử dụng

Đào tạo Ultralytics YOLOv8n mô hình trên tập dữ liệu Phân đoạn Carparts cho 100 kỷ nguyên với kích thước hình ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để biết danh sách đầy đủ các đối số có sẵn, hãy tham khảo trang Đào tạo mẫu.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-seg.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='carparts-seg.yaml', epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=carparts-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Dữ liệu mẫu và chú thích

Bộ dữ liệu Phân đoạn Carparts bao gồm một loạt các hình ảnh và video được chụp từ nhiều góc độ khác nhau. Dưới đây, bạn sẽ tìm thấy các ví dụ về dữ liệu từ tập dữ liệu cùng với các chú thích tương ứng của chúng:

• Hình ảnh này minh họa phân đoạn đối tượng trong một mẫu, có các hộp giới hạn được chú thích với mặt nạ bao quanh các đối tượng được xác định. Tập dữ liệu bao gồm một bộ hình ảnh đa dạng được chụp ở nhiều vị trí, môi trường và mật độ khác nhau, đóng vai trò là tài nguyên toàn diện để tạo các mô hình cụ thể cho nhiệm vụ này.
• Ví dụ này nhấn mạnh sự đa dạng và phức tạp vốn có trong tập dữ liệu, nhấn mạnh vai trò quan trọng của dữ liệu chất lượng cao trong các nhiệm vụ thị giác máy tính, đặc biệt là trong lĩnh vực phân khúc phụ tùng xe hơi.

Trích dẫn và xác nhận

Nếu bạn tích hợp bộ dữ liệu Phân đoạn Carparts vào các dự án nghiên cứu hoặc phát triển của mình, vui lòng tham khảo bài viết sau:

   @misc{ car-seg-un1pm_dataset,
        title = { car-seg Dataset },
        type = { Open Source Dataset },
        author = { Gianmarco Russo },
        howpublished = { \url{ https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm } },
        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 xin gửi lời cảm ơn đến Roboflow nhóm vì sự cống hiến của họ trong việc phát triển và quản lý bộ dữ liệu Phân khúc Carparts, một nguồn tài nguyên quý giá cho các dự án nghiên cứu và bảo dưỡng xe. Để biết thêm chi tiết về bộ dữ liệu Phân đoạn phụ tùng và người tạo ra nó, vui lòng truy cập Trang tập dữ liệu phân đoạn CarParts.

Ý kiến