跳转至内容

汽车零件分割数据集

在 Colab 中打开汽车零件分割数据集

Carparts 分割数据集可在 Roboflow Universe 上获取,它是一个精选的图像和视频集合,专为计算机视觉应用而设计,特别是侧重于分割任务。该数据集托管在 Roboflow Universe 上,提供了从多个角度捕获的各种视觉效果,为训练和测试分割模型提供了宝贵的带注释的示例。

无论您是从事 汽车研究、开发用于车辆维护的 AI 解决方案,还是探索计算机视觉应用,Carparts 分割数据集都可以作为宝贵的资源,用于提高使用 Ultralytics YOLO 等模型的项目的准确性和效率。



观看: 汽车零件 实例分割 使用 Ultralytics YOLO11。

数据集结构

Carparts 分割数据集中的数据分布组织如下:

  • 训练集: 包括 3156 张图像,每张图像都附有相应的注释。该集合用于训练深度学习模型
  • 测试集:包含 276 张图像,每张图像都与其各自的注释配对。此集合用于在使用测试数据进行训练后评估模型的性能。
  • 验证集:包含 401 张图像,每张图像都有相应的注释。此集合在训练期间用于调整超参数,并使用验证数据防止过拟合

应用

汽车零件分割技术可应用于以下领域:

  • 汽车质量控制:识别制造过程中汽车零件的缺陷或不一致之处(制造业中的人工智能)。
  • 自动维修: 协助机械师识别用于维修或更换的零件。
  • 电子商务编目: 在在线商店中自动标记和分类汽车零件,用于 电子商务 平台。
  • 交通监控:分析交通监控录像中的车辆组件。
  • 自动驾驶车辆: 增强自动驾驶汽车的感知系统,以更好地理解周围的车辆。
  • 保险处理: 通过识别保险索赔期间受影响的汽车零件,实现损坏评估的自动化。
  • 回收: 对车辆组件进行分类,以实现高效的回收流程。
  • 智慧城市倡议: 为智慧城市内的城市规划和交通管理系统贡献数据。

通过准确识别和分类不同的车辆部件,汽车零件分割简化了流程,并有助于提高这些行业的效率和自动化水平。

数据集 YAML

A YAML (Yet Another Markup Language)文件定义了数据集配置,包括路径、类名和其他重要细节。对于 Carparts Segmentation 数据集, carparts-seg.yaml 文件位于 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml。您可以在以下位置了解更多关于 YAML 格式的信息 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

用法

要在 Carparts Segmentation 数据集上训练 Ultralytics YOLO11 模型 100 个 epochs,图像大小为 640,请使用以下代码片段。有关可用参数的完整列表,请参阅模型训练指南,并浏览模型训练技巧以获得最佳实践。

训练示例

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

样本数据和注释

Carparts Segmentation 数据集包含从各种角度捕获的各种图像和视频。以下是一些展示数据及其相应注释的示例:

数据集样本图像

  • 该图像展示了汽车图像样本中的对象分割。带有掩码的注释边界框突出了已识别的汽车部件(例如,前灯、格栅)。
  • 该数据集包含在不同条件(位置、光照、物体密度)下捕获的各种图像,为训练稳健的汽车零件分割模型提供了全面的资源。
  • 此示例强调了数据集的复杂性以及高质量数据对于计算机视觉任务的重要性,尤其是在汽车组件分析等专业领域。诸如数据增强之类的技术可以进一步增强模型的泛化能力。

引用和致谢

如果您在研究或开发工作中使用了 Carparts Segmentation 数据集,请引用原始来源:

   @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 },
    }

我们感谢 Gianmarco Russo 和 Roboflow 团队为计算机视觉社区创建和维护这个宝贵的数据集所做的贡献。如需更多数据集,请访问 Ultralytics 数据集合集

常见问题

什么是 Carparts 分割数据集?

Carparts Segmentation Dataset 是一个专门的图像和视频集合,用于训练计算机视觉模型以对汽车零件执行分割。它包括具有详细注释的各种视觉效果,适用于汽车 AI 应用。

如何将 Carparts 分割数据集与 Ultralytics YOLO11 结合使用?

您可以训练一个 Ultralytics YOLO11 使用此数据集的分割模型。加载预训练模型(例如, yolo11n-seg.pt),并使用提供的 python 或 CLI 示例启动训练,参考 carparts-seg.yaml 配置文件。请查看 训练指南 有关详细说明。

训练示例代码片段

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

Carparts Segmentation 有哪些应用?

汽车零件分割技术适用于:

  • 汽车质量控制:确保零件符合标准(制造业中的人工智能)。
  • 自动维修: 识别需要维修的零件。
  • 电子商务: 在线零件编目。
  • 自动驾驶车辆: 改进车辆感知(汽车人工智能)。
  • 保险: 自动评估车辆损坏。
  • 回收: 高效地分拣零件。

在哪里可以找到 Carparts Segmentation 的数据集配置文件?

数据集配置文件, carparts-seg.yaml,其中包含有关数据集路径和类的详细信息,位于 Ultralytics GitHub 存储库中: carparts-seg.yaml.

为什么我应该使用 Carparts Segmentation Dataset?

此数据集提供丰富的带注释数据,这对于开发用于汽车应用的精确分割模型至关重要。它的多样性有助于提高模型在自动车辆检查等实际场景中的稳健性和性能,从而增强安全系统并支持自动驾驶技术。使用此类高质量的特定领域数据集可加速 AI 开发。



📅 创建于 1 年前 ✏️ 更新于 5 个月前

评论