Carparts-Segmentierungsdatensatz#

3,833

Carparts-Seg

ultralytics

publicSegment

Carparts-Seg contains automotive images with instance masks for 23 exterior parts, including bumpers, doors, glass, lights, mirrors, hood, trunk, tailgate, and wheels. It supports vehicle-part inspection, damage analysis, repair estimation, and visual inventory.

223 classes247.1 MBSep 2, 2026

back_bumperback_doorback_glassback_left_door+19

instance-segmentationautomotivecar-parts+1

Der Datensatz zur Segmentierung von Autoteilen von Ultralytics umfasst 3.833 annotierte Bilder aus 23 Klassen von Autoteilen – darunter Stoßfänger, Türen, Leuchten, Spiegel, Motorhaube und Kofferraum – zum Trainieren von Modellen zur Instanzsegmentierung für Aufgaben der Computer Vision im Automobilbereich. Die Bilder wurden aus mehreren Perspektiven aufgenommen und mit pixelgenauen Masken annotiert; der Datensatz lässt sich direkt mit Ultralytics YOLO für Anwendungsfälle von der Qualitätskontrolle im Automobilbereich und der Autoreparatur bis zur Bewertung von Schäden bei Versicherungsansprüchen und zur Umfelderfassung für autonome Fahrzeuge einsetzen.

Datensatzstruktur#

Die 3.833 Bilder des Carparts-Segmentierungsdatensatzes sind wie folgt aufgeteilt:

• Trainingssatz: 3.156 Bilder zum Trainieren des Deep-Learning-Modells.
• Validierungssatz: 401 Bilder, die während des Trainings zum Abstimmen der Hyperparameter und zur Vermeidung von Überanpassung an die Validierungsdaten verwendet werden.
• Testsatz: 276 Bilder, mit denen das Modell nach dem Training anhand zurückgehaltener Testdaten bewertet wird.
• Klassen: Insgesamt 23 – 22 benannte Kategorien von Autoteilen (Stoßfänger, Türen, Leuchten, Glas, Spiegel, Motorhaube, Heckklappe, Kofferraum und Räder) sowie eine Sammelklasse object für Teile außerhalb dieser Kategorien.
• Downloadgröße: ~133 MB.

Anwendungsfälle#

Der Carparts-Segmentierungsdatensatz findet in verschiedenen Bereichen Anwendung, darunter:

• Qualitätskontrolle in der Automobilindustrie: Erkennen von Defekten oder Unregelmäßigkeiten an Autoteilen während der Fertigung (KI in der Fertigung).
• Autoreparatur: Unterstützung von Mechanikern beim Erkennen von Teilen, die repariert oder ersetzt werden müssen.
• Katalogisierung im E-Commerce: Automatisches Kennzeichnen und Kategorisieren von Autoteilen in Online-Shops auf E-Commerce-Plattformen.
• Verkehrsüberwachung: Analyse von Fahrzeugkomponenten in Aufnahmen der Verkehrsüberwachung.
• Autonome Fahrzeuge: Verbesserung der Wahrnehmungssysteme selbstfahrender Autos, damit sie andere Fahrzeuge in ihrer Umgebung besser erfassen können.
• Bearbeitung von Versicherungsfällen: Automatisierung der Schadensbewertung durch Erkennen betroffener Autoteile bei Versicherungsfällen.
• Recycling: Sortierung von Fahrzeugkomponenten für effiziente Recyclingprozesse.
• Smart-City-Initiativen: Bereitstellung von Daten für Stadtplanung und Verkehrsmanagementsysteme in Smart Cities.

Der vollständige Carparts-Segmentierungsdatensatz kann auch auf der Ultralytics Platform durchsucht und verwaltet werden.

YAML-Datei des Datensatzes#

Eine YAML-Datei legt die Datensatzkonfiguration fest, einschließlich Pfaden, Klassennamen und weiteren wichtigen Angaben. Für den Carparts-Segmentierungsdatensatz ist die Datei carparts-seg.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml verfügbar. Weitere Informationen zum YAML-Format findest du auf 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 (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') 3156 images
val: images/val # val images (relative to 'path') 401 images
test: images/test # test images (relative to 'path') 276 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

Verwendung#

Um ein Ultralytics-YOLO26-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem Carparts-Segmentierungsdatensatz zu trainieren, verwende die folgenden Codebeispiele. Eine vollständige Liste der verfügbaren Argumente findest du in der Trainingsanleitung. Außerdem bieten die Tipps zum Modelltraining bewährte Vorgehensweisen.

from ultralytics import YOLO

# Ein vortrainiertes Segmentierungsmodell laden, z. B. YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell mit dem Carparts-Segmentierungsdatensatz trainieren
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Nach dem Training kannst du die Leistung des Modells anhand des Validierungssatzes überprüfen
results = model.val()

# Oder Vorhersagen für neue Bilder oder Videos erstellen
results = model.predict("path/to/your/image.jpg")

Beispieldaten und Annotationen#

Unten siehst du ein Beispielbild aus dem Carparts-Segmentierungsdatensatz mit überlagerten Masken zur Objektsegmentierung. Es zeigt, wie einzelne Autoteile umrissen und beschriftet werden:

Der Datensatz umfasst unterschiedliche Standorte, Lichtverhältnisse und Objektdichten. Dadurch lernen damit trainierte Modelle die Vielfalt realer Szenen kennen, auf die sie generalisieren müssen.

Zitate und Danksagungen#

Wenn du den Carparts-Segmentierungsdatensatz für deine Forschung oder Entwicklung verwendest, zitiere bitte die ursprüngliche Quelle:

@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 },
      year = { 2023 },
      month = { nov },
      note = { visited on 2024-01-24 },
}

Wir würdigen den Beitrag von Gianmarco Russo und dem Roboflow-Team zur Erstellung und Pflege dieses wertvollen Datensatzes für die Computer-Vision-Community. Weitere Datensätze findest du in der Ultralytics-Datensammlung.

Häufig gestellte Fragen#