Carparts Segmentasyon Veri Kümesi

Roboflow Universe'de bulunan Carparts Segmentasyon Veri Kümesi, bilgisayarla görme uygulamaları için tasarlanmış, özellikle segmentasyon görevlerine odaklanan, seçilmiş bir görüntü ve video koleksiyonudur. Roboflow Universe'te barındırılan bu veri kümesi, segmentasyon modellerini eğitmek ve test etmek için değerli açıklamalı örnekler sunan, birden fazla perspektiften çekilmiş çeşitli görseller sağlar.

İster otomotiv araştırmaları üzerinde çalışıyor, ister araç bakımı için yapay zeka çözümleri geliştiriyor veya bilgisayarla görme uygulamalarını keşfediyor olun, Carparts Segmentasyon Veri Seti, aşağıdaki gibi modelleri kullanarak projelerinizin doğruluğunu ve verimliliğini artırmak için değerli bir kaynak görevi görür Ultralytics YOLO.

İzle: Carparts Örnek Segmentasyonu Ultralytics YOLO11 ile.

Veri Kümesi Yapısı

Carparts Segmentasyon Veri Seti içindeki veri dağılımı aşağıdaki gibi düzenlenmiştir:

• Eğitim seti: Her birine karşılık gelen açıklamaların eşlik ettiği 3156 görüntü içerir. Bu set, derin öğrenme modelini eğitmek için kullanılır.
• Test seti: Her biri ilgili ek açıklamalarla eşleştirilmiş 276 görüntüden oluşur. Bu set, test verilerini kullanarak eğitimden sonra modelin performansını değerlendirmek için kullanılır.
• Doğrulama seti: Her biri ilgili açıklamalara sahip 401 görüntüden oluşur. Bu set, eğitim sırasında hiperparametreleri ayarlamak ve doğrulama verilerini kullanarak aşırı uyumu önlemek için kullanılır.

Uygulamalar

Carparts Segmentasyonu, aşağıdakiler de dahil olmak üzere çeşitli alanlarda uygulamalar bulur:

• Otomotiv Kalite Kontrolü: Üretim sırasında otomobil parçalarındaki kusurların veya tutarsızlıkların belirlenmesi(Üretimde Yapay Zeka).
• Oto Tamiri: Tamir veya değiştirme için parçaların belirlenmesinde teknisyenlere yardımcı olmak.
• E-ticaret Kataloglama: E-ticaret platformları için çevrimiçi mağazalardaki araba parçalarını otomatik olarak etiketleme ve kategorize etme.
• Trafik İzleme: Trafik izleme görüntülerinde araç bileşenlerinin analiz edilmesi.
• Otonom Araçlar: Çevredeki araçları daha iyi anlamak için sürücüsüz araçların algılama sistemlerini geliştirmek.
• Sigorta İşlemleri: Sigorta talepleri sırasında etkilenen araç parçalarını belirleyerek hasar tespitini otomatikleştirme.
• Geri dönüşüm: Verimli geri dönüşüm süreçleri için araç bileşenlerinin ayrıştırılması.
• Akıllı Şehir Girişimleri: Akıllı Şehirlerde kentsel planlama ve trafik yönetim sistemleri için veri katkısı.

Farklı araç bileşenlerini doğru bir şekilde tanımlayarak ve kategorize ederek, araba parçaları segmentasyonu süreçleri kolaylaştırır ve bu endüstrilerde verimliliğin ve otomasyonun artmasına katkıda bulunur.

Veri Kümesi YAML

A YAML (Yet Another Markup Language) dosyası, yollar, sınıf adları ve diğer temel ayrıntılar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Carparts Segmentasyon 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 bilgi için 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

Kullanım

Eğitmek için Ultralytics YOLO11 modelini 640 görüntü boyutunda 100 epok için Carparts Segmentation veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanın. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi kılavuzuna bakın ve en iyi uygulamalar için model eğitimi ipuçlarını keşfedin.

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 Veriler ve Açıklamalar

Carparts Segmentation veri kümesi, çeşitli perspektiflerden çekilmiş çok sayıda görüntü ve video içermektedir. Aşağıda verileri ve bunlara karşılık gelen açıklamaları gösteren örnekler yer almaktadır:

• Görüntü, bir araba görüntüsü örneğindeki nesne segmentasyonunu göstermektedir. Maskeli açıklamalı sınırlayıcı kutular, tanımlanan araba parçalarını (örn. farlar, ızgara) vurgulamaktadır.
• Veri kümesi, farklı koşullar altında (konumlar, aydınlatma, nesne yoğunlukları) çekilmiş çeşitli görüntüler içermekte ve sağlam araba parçası segmentasyon modellerinin eğitimi için kapsamlı bir kaynak sağlamaktadır.
• Bu örnek, veri setinin karmaşıklığını ve özellikle otomotiv bileşen analizi gibi özel alanlarda bilgisayarla görme görevleri için yüksek kaliteli verilerin önemini vurgulamaktadır. Veri artırma gibi teknikler model genelleştirmesini daha da geliştirebilir.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda Carparts Segmentasyon veri setini kullanırsanız, 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 },
    }

Gianmarco Russo ve Roboflow ekibinin bilgisayarla görme topluluğu için bu değerli veri setini oluşturma ve sürdürme konusundaki katkılarına teşekkür ederiz. Daha fazla veri kümesi için Ultralytics Veri Kümeleri koleksiyonunu ziyaret edin.

SSS

Carparts Segmentasyon Veri Kümesi nedir?

Carparts Segmentasyon Veri Kümesi, araba parçaları üzerinde segmentasyon gerçekleştirmek üzere bilgisayarla görme modellerini eğitmek için özel bir görüntü ve video koleksiyonudur. Otomotiv yapay zeka uygulamaları için uygun, ayrıntılı açıklamalara sahip çeşitli görseller içerir.

Carparts Segmentasyon Veri Setini Ultralytics YOLO11 ile nasıl kullanabilirim?

Bir kişiyi eğitebilirsiniz Ultralytics YOLO11 Bu veri kümesini kullanarak segmentasyon modeli. Önceden eğitilmiş bir model yükleyin (örn, yolo11n-seg.pt) ve sağlanan Python veya CLI örneklerini kullanarak eğitimi başlatın, referans olarak carparts-seg.yaml yapılandırma dosyası. Kontrol edin Eğitim Kılavuzu ayrıntılı talimatlar için.

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 Segmentasyonunun bazı uygulamaları nelerdir?

Carparts Segmentasyonu şu konularda faydalıdır:

• Otomotiv Kalite Kontrolü: Parçaların standartları karşılamasını sağlamak(Üretimde Yapay Zeka).
• Oto Tamiri: Servis gerektiren parçaların belirlenmesi.
• E-ticaret: Parçaların çevrimiçi kataloglanması.
• Otonom Araçlar: Araç algısının iyileştirilmesi(Otomotivde Yapay Zeka).
• Sigorta: Araç hasarının otomatik olarak değerlendirilmesi.
• Geri dönüşüm: Parçaları verimli bir şekilde ayırma.

Carparts Segmentasyonu için veri kümesi yapılandırma dosyasını nerede bulabilirim?

Veri kümesi yapılandırma dosyası, carparts-seg.yamlveri kümesi yolları ve sınıfları hakkında ayrıntılar içeren Ultralytics GitHub deposunda bulunur: carparts-seg.yaml.

Neden Carparts Segmentasyon Veri Setini kullanmalıyım?

Bu veri seti, otomotiv uygulamaları için doğru segmentasyon modelleri geliştirmek için çok önemli olan zengin, açıklamalı veriler sunar. Çeşitliliği, otomatik araç denetimi, güvenlik sistemlerinin geliştirilmesi ve otonom sürüş teknolojisinin desteklenmesi gibi gerçek dünya senaryolarında model sağlamlığını ve performansını artırmaya yardımcı olur. Bunun gibi yüksek kaliteli, alana özgü veri kümelerinin kullanılması yapay zeka gelişimini hızlandırır.

📅1 yıl önce oluşturuldu ✏️ 2 ay önce güncellendi

Yorumlar