Datensatz zur Segmentierung von Fahrzeugteilen#

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.

23 classes247.1 MBSep 2, 2026

back_bumperback_doorback_glassback_left_door+19

instance-segmentationautomotivecar-parts+1

Der Ultralytics Datensatz zur Segmentierung von Fahrzeugteilen umfasst 3.833 annotierte Bilder aus 23 Klassen von Fahrzeugteilen – darunter Stoßfänger, Türen, Leuchten, Spiegel, Motorhaube und Kofferraum – zum Trainieren von Instanzsegmentierungsmodellen für Computer-Vision-Aufgaben im Automobilbereich. Die Bilder wurden aus mehreren Perspektiven aufgenommen und mit Annotationen in Form von Masken auf Pixelebene versehen. Der Datensatz lässt sich direkt mit Ultralytics YOLO für Anwendungsfälle von der Qualitätskontrolle im Automobilbereich und der Fahrzeugreparatur bis zur Schadensbewertung bei Versicherungsfällen und zur Wahrnehmung der Umgebung durch autonome Fahrzeuge einsetzen.

Datensatzstruktur#

Der Datensatz zur Segmentierung von Fahrzeugteilen teilt seine 3.833 Bilder wie folgt auf:

• Trainingsdatensatz: 3.156 Bilder zum Trainieren des Deep-Learning-Modells.
• Validierungsdatensatz: 401 Bilder, die während des Trainings zum Abstimmen der Hyperparameter und zum Verhindern von Überanpassung an Validierungsdaten verwendet werden.
• Testdatensatz: 276 Bilder zur Bewertung des Modells anhand zurückgehaltener Testdaten nach dem Training.
• Klassen: Insgesamt 23 – 22 benannte Kategorien von Fahrzeugteilen (Stoßfänger, Türen, Leuchten, Glas, Spiegel, Motorhaube, Heckklappe, Kofferraum und Räder) sowie eine Sammelklasse object für Teile außerhalb dieser Kategorien.
• Downloadgröße: ~133 MB.

Anwendungen#

Die Segmentierung von Fahrzeugteilen findet in verschiedenen Bereichen Anwendung, darunter:

• Qualitätskontrolle im Automobilbereich: Erkennen von Mängeln oder Abweichungen an Fahrzeugteilen während der Fertigung (KI in der Fertigung).
• Fahrzeugreparatur: Unterstützung von Mechanikern beim Erkennen von Teilen, die repariert oder ersetzt werden müssen.
• Katalogisierung im E-Commerce: Automatisches Verschlagworten und Kategorisieren von Fahrzeugteilen in Online-Shops für E-Commerce-Plattformen.
• Verkehrsüberwachung: Analysieren von Fahrzeugkomponenten in Aufnahmen aus der Verkehrsüberwachung.
• Autonome Fahrzeuge: Verbessern der Wahrnehmungssysteme von selbstfahrenden Autos, damit sie die umliegenden Fahrzeuge besser verstehen.
• Versicherungsbearbeitung: Automatisieren der Schadensbewertung durch Erkennen betroffener Fahrzeugteile bei Versicherungsfällen.
• Recycling: Sortieren von Fahrzeugkomponenten für effiziente Recyclingprozesse.
• Smart-City-Initiativen: Bereitstellen von Daten für Stadtplanung und Verkehrsmanagement im Rahmen von Smart Cities.

Der vollständige Datensatz zur Segmentierung von Fahrzeugteilen kann außerdem auf der Ultralytics Platform durchsucht und verwaltet werden.

Dataset-YAML#

Eine YAML-Datei definiert die Konfiguration des Datensatzes, einschließlich Pfaden, Klassennamen und weiterer wichtiger Details. Für den Datensatz zur Segmentierung von Fahrzeugteilen 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 unter 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 Datensatz zur Segmentierung von Fahrzeugteilen zu trainieren, verwende die folgenden Codeausschnitte. Eine umfassende Liste der verfügbaren Argumente findest du im Trainingsleitfaden für Modelle. Außerdem kannst du die Tipps zum Trainieren von Modellen lesen, um bewährte Vorgehensweisen kennenzulernen.

from ultralytics import YOLO

# Load a pretrained segmentation model like YOLO26n-seg
model = YOLO("yolo26n-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")

Beispieldaten und Annotationen#

Unten siehst du ein Beispielbild aus dem Datensatz zur Segmentierung von Fahrzeugteilen mit eingeblendeten Masken zur Objektsegmentierung. Es zeigt, wie einzelne Fahrzeugteile umrandet und beschriftet werden:

Der Datensatz deckt unterschiedliche Orte, Lichtverhältnisse und Objektdichten ab. Dadurch erhalten darauf trainierte Modelle Einblick in die Vielfalt realer Szenen, auf die sie verallgemeinern müssen.

Zitate und Danksagungen#

Wenn du den Datensatz zur Segmentierung von Fahrzeugteilen in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die Originalquelle:

@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-Datensatzsammlung.

FAQ#