Conjunto de Dados de Segmentação de Peças de Carro
O Dataset de Segmentação de Peças de Carro, disponível no Roboflow Universe, é uma coleção com curadoria de imagens e vídeos projetada para aplicações de visão computacional, focando especificamente em tarefas de segmentação. Hospedado no Roboflow Universe, este dataset fornece um conjunto diversificado de visuais capturados de múltiplas perspectivas, oferecendo valiosos exemplos anotados para treinamento e teste de modelos de segmentação.
Quer você esteja trabalhando em pesquisa automotiva, desenvolvendo soluções de IA para manutenção de veículos ou explorando aplicações de visão computacional, o Conjunto de Dados de Segmentação de Peças de Carro serve como um recurso valioso para melhorar a precisão e a eficiência de seus projetos usando modelos como o Ultralytics YOLO.
Assista: Peças de automóveis Segmentação de Instância com Ultralytics YOLO11.
Estrutura do Conjunto de Dados
A distribuição de dados dentro do Dataset de Segmentação de Peças de Carro é organizada da seguinte forma:
- Conjunto de treinamento: Inclui 3156 imagens, cada uma acompanhada por suas anotações correspondentes. Este conjunto é usado para treinar o modelo de aprendizado profundo.
- Conjunto de testes: Compreende 276 imagens, cada uma emparelhada com suas respectivas anotações. Este conjunto é usado para avaliar o desempenho do modelo após o treinamento usando dados de teste.
- Conjunto de validação: Consiste em 401 imagens, cada uma com anotações correspondentes. Este conjunto é usado durante o treinamento para ajustar os hiperparâmetros e evitar o overfitting usando dados de validação.
Aplicações
A Segmentação de Peças de Carro encontra aplicações em vários domínios, incluindo:
- Controle de Qualidade Automotivo: Identificação de defeitos ou inconsistências em peças de automóveis durante a fabricação (IA na Fabricação).
- Reparo Automático: Auxilia mecânicos na identificação de peças para reparo ou substituição.
- Catalogação de E-commerce: Marcação e categorização automática de peças de automóveis em lojas online para plataformas de e-commerce.
- Monitoramento de Tráfego: Analisando componentes de veículos em filmagens de vigilância de tráfego.
- Veículos Autônomos: Aprimorando os sistemas de percepção de carros autônomos para melhor compreender os veículos ao redor.
- Processamento de Seguros: Automatizando a avaliação de danos, identificando as peças do carro afetadas durante sinistros de seguros.
- Reciclagem: Triagem de componentes de veículos para processos de reciclagem eficientes.
- Iniciativas de Cidades Inteligentes: Contribuindo com dados para planejamento urbano e sistemas de gerenciamento de tráfego dentro de Cidades Inteligentes.
Ao identificar e categorizar com precisão diferentes componentes de veículos, a segmentação de peças automotivas otimiza os processos e contribui para o aumento da eficiência e automação nesses setores.
YAML do Conjunto de Dados
A YAML Um arquivo (Yet Another Markup Language) define a configuração do conjunto de dados, incluindo caminhos, nomes de classes e outros detalhes essenciais. Para o conjunto de dados de Segmentação de Peças de Carro, o carparts-seg.yaml ficheiro está disponível em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Você pode aprender mais sobre o formato YAML em 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
Utilização
Para treinar um modelo Ultralytics YOLO11 no conjunto de dados Carparts Segmentation por 100 épocas com um tamanho de imagem de 640, use os seguintes trechos de código. Consulte o guia de Treinamento do modelo para obter uma lista abrangente de argumentos disponíveis e explore as dicas de treinamento do modelo para obter as melhores práticas.
Exemplo de Treinamento
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
Dados de Amostra e Anotações
O conjunto de dados Carparts Segmentation inclui uma variedade diversificada de imagens e vídeos capturados de várias perspectivas. Abaixo estão exemplos mostrando os dados e suas anotações correspondentes:
- A imagem demonstra segmentação de objetos dentro de uma amostra de imagem de carro. Bounding boxes anotadas com máscaras destacam as partes identificadas do carro (por exemplo, faróis, grade).
- O dataset apresenta uma variedade de imagens capturadas sob diferentes condições (locais, iluminação, densidades de objetos), fornecendo um recurso abrangente para treinar modelos robustos de segmentação de peças de carro.
- Este exemplo ressalta a complexidade do conjunto de dados e a importância de dados de alta qualidade para tarefas de visão computacional, especialmente em domínios especializados como a análise de componentes automotivos. Técnicas como aumento de dados podem aprimorar ainda mais a generalização do modelo.
Citações e Agradecimentos
Se você utilizar o conjunto de dados Carparts Segmentation em seus esforços de pesquisa ou desenvolvimento, cite a fonte original:
@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 },
}
Agradecemos a contribuição de Gianmarco Russo e da equipe Roboflow na criação e manutenção deste valioso conjunto de dados para a comunidade de visão computacional. Para mais conjuntos de dados, visite a coleção de Conjuntos de Dados Ultralytics.
FAQ
O que é o Dataset de Segmentação de Peças de Carro?
O Carparts Segmentation Dataset é uma coleção especializada de imagens e vídeos para treinar modelos de visão computacional para realizar segmentação em peças de carros. Inclui visuais diversos com anotações detalhadas, adequados para aplicações de IA automotiva.
Como posso usar o Conjunto de Dados de Segmentação de Peças de Carro com o Ultralytics YOLO11?
Você pode treinar um Ultralytics YOLO11 modelo de segmentação usando este conjunto de dados. Carregue um modelo pré-treinado (por exemplo, yolo11n-seg.pt) e inicie o treinamento usando os exemplos fornecidos em Python ou CLI, referenciando o carparts-seg.yaml arquivo de configuração. Consulte o Guia de Treino para obter instruções detalhadas.
Snippet de Exemplo de Treino
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
Quais são algumas aplicações da Segmentação de Peças de Carro?
A Segmentação de Peças de Carro é útil em:
- Controle de Qualidade Automotivo: Garantindo que as peças atendam aos padrões (IA na Fabricação).
- Reparo Automático: Identificação de peças que necessitam de manutenção.
- E-commerce: Catalogação de peças online.
- Veículos Autônomos: Aprimorando a percepção veicular (IA no setor automotivo).
- Seguros: Avaliação automática de danos em veículos.
- Reciclagem: Triagem eficiente de peças.
Onde posso encontrar o arquivo de configuração do conjunto de dados para Segmentação de Peças de Carro?
O arquivo de configuração do dataset, carparts-seg.yaml, que contém detalhes sobre os caminhos e classes do conjunto de dados, está localizado no repositório Ultralytics do GitHub: carparts-seg.yaml.
Por que devo usar o Conjunto de Dados de Segmentação de Peças de Carro?
Este conjunto de dados oferece dados ricos e anotados, cruciais para o desenvolvimento de modelos de segmentação precisos para aplicações automotivas. Sua diversidade ajuda a melhorar a robustez e o desempenho do modelo em cenários do mundo real, como inspeção automatizada de veículos, aprimorando sistemas de segurança e apoiando a tecnologia de direção autônoma. O uso de conjuntos de dados de alta qualidade e específicos do domínio como este acelera o desenvolvimento de IA.
