Araç Parçaları Segmentasyon Veri Kümesi
Roboflow Universe'te bulunan Araç Parçaları Segmentasyonu Veri Kümesi, özellikle segmentasyon görevlerine odaklanan bilgisayarlı görü uygulamaları için tasarlanmış, özenle seçilmiş bir resim ve video koleksiyonudur. Roboflow Universe'te barındırılan bu veri kümesi, çoklu perspektiflerden yakalanan çeşitli bir görsel seti sunarak, segmentasyon modellerini eğitmek ve test etmek için değerli açıklamalı örnekler sunar.
İster otomotiv araştırması üzerinde çalışıyor, ister araç bakımı için yapay zeka çözümleri geliştiriyor, ister bilgisayar görüşü uygulamalarını keşfediyor olun, Araç Parçaları Segmentasyon Veri Kümesi, doğruluğu ve projelerinizin Ultralytics YOLO gibi modeller kullanarak verimliliğini artırmak için değerli bir kaynak görevi görür.
İzle: Araba parçaları Örnek Segmentasyonu Ultralytics YOLO11 ile.
Veri Seti Yapısı
Carparts Segmentasyonu Veri Kümesi içindeki veri dağılımı aşağıdaki gibi düzenlenmiştir:
- Eğitim seti: Her biri karşılık gelen açıklamalarıyla birlikte 3156 resim içerir. Bu set, derin öğrenme modelini eğitmek için kullanılır.
- Test seti: Her biri kendi açıklamalarıyla eşleştirilmiş 276 resimden oluşur. Bu set, test verileri kullanılarak eğitimden sonra modelin performansını değerlendirmek için kullanılır.
- Doğrulama kümesi: Her biri karşılık gelen açıklamalara sahip 401 görüntüden oluşur. Bu küme, hiperparametreleri ayarlamak ve doğrulama verilerini kullanarak aşırı öğrenmeyi önlemek için eğitim sırasında kullanılır.
Uygulamalar
Araç Parçaları Segmentasyonu çeşitli alanlarda uygulama alanı bulur, bunlar:
- Otomotiv Kalite Kontrolü: Üretim sırasında araba parçalarındaki kusurları veya tutarsızlıkları belirleme (Üretimde Yapay Zeka).
- Oto Tamir: Tamir veya değiştirme için mekaniklere parça tanımlamada yardımcı olma.
- E-ticaret Kataloglama: e-ticaret platformları için çevrimiçi mağazalarda araba parçalarını otomatik olarak etiketleme ve kategorilere ayırma.
- Trafik İzleme: Trafik gözetim görüntülerinde araç bileşenlerini analiz etme.
- Otonom Araçlar: Çevredeki araçları daha iyi anlamak için kendi kendine giden arabaların algılama sistemlerini geliştirme.
- Sigorta İşleme: Sigorta talepleri sırasında etkilenen araç parçalarını belirleyerek hasar tespitini otomatikleştirme.
- Geri Dönüşüm: Verimli geri dönüşüm süreçleri için araç bileşenlerini ayıklama.
- Akıllı Şehir Girişimleri: Akıllı Şehirler içindeki kentsel planlama ve trafik yönetim sistemleri için veri katkısında bulunma.
Farklı araç bileşenlerini doğru bir şekilde tanımlayıp sınıflandırarak, araç parçaları segmentasyonu süreçleri kolaylaştırır ve bu sektörlerde artan verimlilik ve otomasyona katkıda bulunur.
Veri Seti YAML
Bir YAML (Yet Another Markup Language) dosyası, yollar, sınıf adları ve diğer temel ayrıntılar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Carparts Segmentation veri kümesi için, carparts-seg.yaml dosyası şu adreste mevcuttur: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. YAML formatı hakkında daha fazla bilgiyi şu adreste bulabilirsiniz: 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
Kullanım
640 görüntü boyutuyla 100 epok için Carparts Segmentation veri kümesinde bir Ultralytics YOLO11 modeli eğitmek için aşağıdaki kod parçacıklarını kullanın. Mevcut argümanların kapsamlı bir listesi için model Eğitim kılavuzuna bakın ve en iyi uygulamalar için model eğitim ipuçlarını keşfedin.
Eğitim Örneği
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
Örnek Veri ve Açıklamalar
Araç Parçaları Segmentasyonu veri kümesi, çeşitli açılardan çekilmiş çok çeşitli resim ve videoları içerir. Aşağıda, verileri ve ilgili açıklamalarını gösteren örnekler bulunmaktadır:
- Resimde, bir araba görüntüsü örneği içinde nesne segmentasyonu gösterilmektedir. Maskelerle birlikte açıklama eklenmiş sınırlayıcı kutular, tanımlanan araba parçalarını (örneğin, farlar, ızgara) vurgulamaktadır.
- Veri kümesi, farklı koşullar (konumlar, aydınlatma, nesne yoğunlukları) altında yakalanan çeşitli görüntülere sahiptir ve sağlam araç parçası segmentasyon modellerini eğitmek için kapsamlı bir kaynak sağlar.
- Bu örnek, veri kümesinin karmaşıklığının ve özellikle otomotiv bileşen analizi gibi özel alanlarda bilgisayar görüşü görevleri için yüksek kaliteli verilerin öneminin altını çiziyor. Veri artırma gibi teknikler, model genellemesini daha da geliştirebilir.
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda Carparts Segmentation veri kümesini kullanıyorsanız, lütfen orijinal kaynağa atıfta bulunun:
@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 },
}
Bilgisayar görme topluluğu için bu değerli veri kümesini oluşturma ve sürdürme konusundaki katkılarından dolayı Gianmarco Russo ve Roboflow ekibine teşekkür ediyoruz. Daha fazla veri kümesi için Ultralytics Veri Kümeleri koleksiyonunu ziyaret edin.
SSS
Araç Parçaları Segmentasyon Veri Kümesi Nedir?
Araç Parçaları Segmentasyonu Veri Kümesi, bilgisayarlı görü modellerini araç parçaları üzerinde segmentasyon gerçekleştirmek üzere eğitmek için özel bir resim ve video koleksiyonudur. Otomotiv yapay zeka uygulamaları için uygun, ayrıntılı açıklamalar içeren çeşitli görseller içerir.
Carparts Segmentasyon Veri Kümesini Ultralytics YOLO11 ile nasıl kullanabilirim?
Eğitebilirsiniz Ultralytics YOLO11 Bu veri kümesini kullanarak bir segmentasyon modeli. Önceden eğitilmiş bir modeli yükleyin (örneğin, yolo11n-seg.pt) ve sağlanan Python veya CLI örneklerini kullanarak eğitimi başlatın, carparts-seg.yaml yapılandırma dosyası. Şurayı kontrol edin: Eğitim Kılavuzu ayrıntılı talimatlar için.
Eğitim Örnek Parçacığı
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
Araç Parçaları Segmentasyonunun bazı uygulamaları nelerdir?
Araç Parçaları Segmentasyonu şu alanlarda kullanışlıdır:
- Otomotiv Kalite Kontrolü: Parçaların standartları karşılamasını sağlama (Üretimde Yapay Zeka).
- Oto Tamir: Servise ihtiyaç duyan parçaların belirlenmesi.
- E-ticaret: Parçaları çevrimiçi kataloglama.
- Otonom Araçlar: Araç algısını iyileştirme (Otomotivde Yapay Zeka).
- Sigorta: Araç hasarını otomatik olarak değerlendirme.
- Geri Dönüşüm: Parçaları verimli bir şekilde ayıklama.
Carparts Segmentation için veri kümesi yapılandırma dosyasını nerede bulabilirim?
Veri kümesi yapılandırma dosyası, carparts-seg.yaml, veri kümesi yolları ve sınıfları hakkında ayrıntılar içeren, Ultralytics GitHub deposunda bulunur: carparts-seg.yaml.
Neden Araç Parçaları Segmentasyon Veri Kümesini kullanmalıyım?
Bu veri kümesi, otomotiv uygulamaları için doğru segmentasyon modelleri geliştirmek için çok önemli olan zengin, açıklanmış veriler sunar. Çeşitliliği, otomatik araç incelemesi, güvenlik sistemlerini geliştirme ve otonom sürüş teknolojisini destekleme gibi gerçek dünya senaryolarında modelin sağlamlığını ve performansını artırmaya yardımcı olur. Bunun gibi yüksek kaliteli, alana özel veri kümelerini kullanmak, yapay zeka gelişimini hızlandırır.
