Набор данных для сегментации Carparts

Набор данных Carparts Segmentation Dataset, доступный на Roboflow Universe, - это коллекция изображений и видео, созданная для приложений компьютерного зрения, в частности, для задач сегментации. Размещенный на Roboflow Universe, этот набор данных представляет собой разнообразный набор изображений, снятых с разных точек зрения, и предлагает ценные аннотированные примеры для обучения и тестирования моделей сегментации.

Если вы занимаетесь исследованиями в области автомобилестроения, разрабатываете ИИ-решения для обслуживания автомобилей или изучаете приложения для компьютерного зрения, набор данных Carparts Segmentation Dataset послужит вам ценным ресурсом для повышения точности и эффективности ваших проектов с использованием таких моделей, как Ultralytics YOLO.

Смотреть: Carparts Сегментация экземпляров с Ultralytics YOLO11.

Структура набора данных

Распределение данных в наборе данных Carparts Segmentation Dataset организовано следующим образом:

• Обучающий набор: Включает 3156 изображений, каждое из которых сопровождается соответствующими аннотациями. Этот набор используется для обучения модели глубокого обучения.
• Набор для тестирования: Состоит из 276 изображений, каждое из которых сопровождается соответствующими аннотациями. Этот набор используется для оценки эффективности модели после обучения на тестовых данных.
• Валидационный набор: Состоит из 401 изображения, каждое из которых снабжено соответствующими аннотациями. Этот набор используется в процессе обучения для настройки гиперпараметров и предотвращения перебора с использованием валидационных данных.

Приложения

Сегментация автозапчастей находит применение в различных областях, включая:

• Контроль качества в автомобильной промышленности: Выявление дефектов и несоответствий в деталях автомобиля в процессе производства(ИИ в производстве).
• Ремонт автомобилей: Помощь механикам в определении деталей для ремонта или замены.
• Каталогизация для электронной коммерции: Автоматическое маркирование и категоризация автомобильных запчастей в интернет-магазинах для платформ электронной коммерции.
• Мониторинг дорожного движения: Анализ компонентов транспортных средств на записях камер видеонаблюдения.
• Автономные транспортные средства: Усовершенствование систем восприятия самоуправляемых автомобилей для лучшего понимания окружающих транспортных средств.
• Обработка страховых случаев: Автоматизация оценки ущерба путем определения пострадавших частей автомобиля при страховых выплатах.
• Рециклинг: Сортировка компонентов автомобиля для эффективного процесса переработки.
• Инициативы "умных городов": Предоставление данных для систем городского планирования и управления движением в "умных городах".

Благодаря точной идентификации и классификации различных компонентов автомобиля сегментация автозапчастей упрощает процессы и способствует повышению эффективности и автоматизации в этих отраслях.

Набор данных YAML

A YAML (Yet Another Markup Language) определяет конфигурацию набора данных, включая пути, имена классов и другие важные детали. Для набора данных Carparts Segmentation файл carparts-seg.yaml файл доступен по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Подробнее о формате YAML можно узнать на сайте 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

Использование

Чтобы обучить Ultralytics YOLO11 на наборе данных Carparts Segmentation в течение 100 эпох при размере изображения 640, используйте следующие фрагменты кода. Полный список доступных аргументов см. в руководстве по обучению модели, а лучшие практики - в советах по обучению модели.

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

Образцы данных и аннотации

Набор данных Carparts Segmentation включает в себя множество изображений и видео, снятых с разных ракурсов. Ниже приведены примеры, демонстрирующие данные и соответствующие им аннотации:

• Изображение демонстрирует сегментацию объектов на образце изображения автомобиля. Аннотированные ограничительные рамки с масками выделяют идентифицированные части автомобиля (например, фары, решетку радиатора).
• Набор данных включает в себя множество изображений, полученных в различных условиях (расположение, освещение, плотность объектов), что обеспечивает обширный ресурс для обучения надежных моделей сегментации деталей автомобиля.
• Этот пример подчеркивает сложность набора данных и важность высококачественных данных для задач компьютерного зрения, особенно в таких специализированных областях, как анализ автомобильных компонентов. Такие методы, как расширение данных, могут еще больше улучшить обобщение моделей.

Цитаты и благодарности

Если вы используете набор данных Carparts Segmentation в своих исследованиях или разработках, пожалуйста, ссылайтесь на первоисточник:

   @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 },
    }

Мы выражаем признательность Джанмарко Руссо и команде Roboflow за создание и поддержку этого ценного набора данных для сообщества компьютерного зрения. Другие наборы данных можно найти в коллекцииUltralytics Datasets.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое набор данных сегментации Carparts?

Carparts Segmentation Dataset - это специализированная коллекция изображений и видеороликов для обучения моделей компьютерного зрения сегментации деталей автомобиля. Она включает в себя разнообразные изображения с подробными аннотациями, подходящими для приложений автомобильного ИИ.

Как использовать набор данных Carparts Segmentation Dataset с Ultralytics YOLO11 ?

Вы можете обучить Ultralytics YOLO11 Модель сегментации с использованием этого набора данных. Загрузите предварительно обученную модель (например, yolo11n-seg.pt) и начните обучение, используя предоставленные примеры на Python или CLI , ссылаясь на carparts-seg.yaml файл конфигурации. Проверьте Учебное пособие для получения подробных инструкций.

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

Каковы некоторые области применения сегмента Carparts?

Carparts Сегментация полезна для:

• Контроль качества в автомобильной промышленности: Обеспечение соответствия деталей стандартам(ИИ в производстве).
• Авторемонт: Определение деталей, нуждающихся в ремонте.
• Электронная коммерция: Каталогизация деталей онлайн.
• Автономные транспортные средства: Улучшение восприятия автомобиля(ИИ в автомобилестроении).
• Страхование: Автоматическая оценка ущерба автомобиля.
• Переработка: Эффективная сортировка деталей.

Где найти файл конфигурации набора данных для сегментации Carparts?

Файл конфигурации набора данных, carparts-seg.yaml, который содержит подробную информацию о путях и классах наборов данных, находится в репозитории Ultralytics на GitHub: carparts-seg.yaml.

Почему следует использовать набор данных Carparts Segmentation Dataset?

Этот набор данных предлагает богатые аннотированные данные, необходимые для разработки точных моделей сегментации для автомобильных приложений. Его разнообразие помогает повысить надежность и производительность моделей в таких реальных сценариях, как автоматический осмотр автомобилей, совершенствование систем безопасности и поддержка технологий автономного вождения. Использование высококачественных, специфических для конкретной области наборов данных, подобных этому, ускоряет разработку ИИ.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад

Комментарии