Carparts 细分数据集

在Roboflow Universe 上提供的 Carparts 细分数据集是专为计算机视觉应用而设计的图像和视频集合，尤其侧重于细分任务。该数据集托管在Roboflow Universe 上，提供了一组从多个角度捕捉的多样化视觉图像，为训练和测试分割模型提供了宝贵的注释示例。

无论您是从事汽车研究、为车辆维护开发人工智能解决方案，还是探索计算机视觉应用，Carparts 细分数据集都是您使用以下模型提高项目准确性和效率的宝贵资源 Ultralytics YOLO.

观看： 汽车配件 实例分割 使用Ultralytics YOLO11。

数据集结构

Carparts 细分数据集的数据分布情况如下：

• 训练集：包括 3156 张图像，每张图像都附有相应的注释。该集用于训练 深度学习 模型。
• 测试集：测试集：由 276 幅图像组成，每幅图像都配有相应的注释。该集用于评估模型在使用测试数据进行训练后的性能。
• 验证集：由 401 张图像组成，每张图像都有相应的注释。在训练过程中使用这组数据来调整超参数，防止使用验证数据时出现过度拟合。

应用

Carparts 细分技术可应用于多个领域，包括

• 汽车质量控制：在制造过程中识别汽车零件的缺陷或不一致性（人工智能在制造中的应用）。
• 汽车维修：协助机械师确定修理或更换的零件。
• 电子商务编目：在电子商务平台的在线商店中自动对汽车零件进行标记和分类。
• 交通监控：分析交通监控录像中的车辆部件。
• 自动驾驶汽车：增强自动驾驶汽车的感知系统，以便更好地了解周围的车辆。
• 保险处理：在保险理赔过程中，通过识别受影响的汽车部件，自动进行损失评估。
• 回收：对车辆部件进行分类，以实现高效的回收流程。
• 智能城市倡议：为智能城市内的城市规划和交通管理系统提供数据。

通过准确识别和分类不同的汽车零部件，汽车零部件细分简化了流程，有助于提高这些行业的效率和自动化程度。

数据集 YAML

A YAML (另一种标记语言）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，该文件中的 carparts-seg.yaml 文件可在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml.有关 YAML 格式的更多信息，请访问 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

使用方法

培训 Ultralytics YOLO11模型时，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，并了解有关最佳实践的模型训练技巧。

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 数据集包含一系列从不同角度拍摄的图像和视频。下面的示例展示了这些数据及其相应的注释：

• 该图像展示了汽车图像样本中的对象分割。带遮罩的注释边界框突出显示了已识别的汽车部件（如前大灯、格栅）。
• 该数据集包含在不同条件（位置、照明、物体密度）下拍摄的各种图像，为训练稳健的汽车部件分割模型提供了全面的资源。
• 这个例子强调了数据集的复杂性以及高质量数据对计算机视觉任务的重要性，尤其是在汽车部件分析等专业领域。数据增强等技术可以进一步提高模型的通用性。

引文和致谢

如果您在研究或开发工作中使用 Carparts 细分数据集，请注明原始出处：

   @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一宝贵的数据集。如需了解更多数据集，请访问Ultralytics 数据集。

常见问题

什么是 Carparts 细分数据集？

汽车零件分割数据集是一个专门的图像和视频集合，用于训练计算机视觉模型对汽车零件进行分割。该数据集包含各种带有详细注释的视觉图像，适用于汽车人工智能应用。

如何在Ultralytics YOLO11 中使用 Carparts 细分数据集？

您可以训练一个 Ultralytics YOLO11 使用该数据集的分割模型。加载一个预训练模型（例如、 yolo11n-seg.pt) 并使用所提供的Python 或CLI 示例启动培训，同时参考 carparts-seg.yaml 配置文件。检查 培训指南 详细说明。

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

汽车配件细分有哪些应用？

Carparts 细分在以下方面非常有用：

• 汽车质量控制：确保零部件符合标准（制造业中的人工智能）。
• 汽车维修：识别需要维修的部件。
• 电子商务：零部件在线编目。
• 自动驾驶汽车：提高车辆感知能力（汽车领域的人工智能）。
• 保险：自动评估车辆损失。
• 回收：有效分类零件

在哪里可以找到 Carparts 分割的数据集配置文件？

数据集配置文件、 carparts-seg.yaml其中包含数据集路径和类的详细信息，位于Ultralytics GitHub 代码库中： cararts-seg.yaml.

为什么要使用 Carparts 细分数据集？

该数据集提供了丰富的注释数据，对于为汽车应用开发精确的细分模型至关重要。其多样性有助于提高模型在现实世界场景中的稳健性和性能，如自动车辆检测、增强安全系统和支持自动驾驶技术。使用像这样高质量、特定领域的数据集可以加速人工智能的发展。

📅创建于 1 年前 ✏️已更新 24 天前

评论