这些标签是用于实例分割任务中的类别,通常在汽车图像识别或自动驾驶技术中使用。以下是这些类别:
- back_bumper - 后保险杠
- back_glass - 后挡风玻璃
- back_left_door - 后左车门
- back_left_light - 后左灯
- back_right_door - 后右车门
- back_right_light - 后右灯
- front_bumper - 前保险杠
- front_glass - 前挡风玻璃
- front_left_door - 前左车门
- front_left_light - 前左灯
- front_right_door - 前右车门
- front_right_light - 前右灯
- hood - 发动机盖
- left_mirror - 左后视镜
- right_mirror - 右后视镜
- tailgate - 尾门(对于SUV、货车等车型)
- trunk - 行李箱盖(对于轿车)
- wheel - 车轮
这些术语是用来标识汽车不同部分的,在进行车辆部件检测和分割时会用到。
这段描述提供了一个数据集的概览,包括图像数量、数据集分割情况以及预处理和数据增强的步骤。下面是对这些信息的总结:
数据集总览
- 总图像数:1450张
数据集分割
- 训练集 :
- 占比:98%
- 图像数量:1425张
- 验证集 :
- 占比:2%
- 图像数量:25张
- 测试集 :
- 占比:0%
- 图像数量:0张
预处理
- 自动定向:已应用
- 调整大小:拉伸到640x640像素
数据增强
- 每个训练样本输出:3个
- 翻转:水平翻转
- 旋转:在-15°到+15°之间
- 剪切:±15°水平,±15°垂直
- 灰度化:应用于25%的图像
这种设置有助于提高模型的泛化能力,通过数据增强来增加训练样本的多样性,并且保证了大多数图像用于训练,一小部分用于验证模型的表现。没有单独的测试集可能意味着验证集将被用来评估最终模型性能,或者计划在未来的某个阶段添加一个独立的测试集来进行最终评估。
如果您需要进一步的帮助,例如如何使用这个数据集进行训练或具体的技术细节,请告诉我。