Link to this sectionCarparts-Segmentierungsdatensatz#
Das Ultralytics Carparts Segmentation Dataset bietet 3.833 annotierte Bilder in 23 Autoteile-Klassen – darunter Stoßstangen, Türen, Lichter, Spiegel, Motorhaube und Kofferraum – für das Training von Instance Segmentation-Modellen bei Computer Vision-Aufgaben in der Automobilbranche. Erfasst aus verschiedenen Perspektiven und mit Pixel-genauen Masken annotiert, lässt es sich direkt mit Ultralytics YOLO für Anwendungsfälle von der Qualitätskontrolle in der Automobilindustrie und Autoreparaturen bis hin zur Schadensbeurteilung für Versicherungen und der Wahrnehmung autonomer Fahrzeuge kombinieren.
Watch: How to Segment Carparts with Ultralytics Platform | Train, Deploy & Inference | Ultralytics YOLO26 🚀
Link to this sectionDatensatzstruktur#
Das Carparts Segmentation Dataset unterteilt seine 3.833 Bilder wie folgt:
- Training-Set: 3.156 Bilder, die für das Training des Deep Learning-Modells verwendet werden.
- Validierungs-Set: 401 Bilder, die während des Trainings verwendet werden, um Hyperparameter anzupassen und Overfitting auf Validierungsdaten zu verhindern.
- Test-Set: 276 Bilder, die verwendet werden, um das Modell nach dem Training mit unabhängigen Testdaten zu evaluieren.
- Klassen: 23 insgesamt – 22 benannte Autoteile-Kategorien (Stoßstangen, Türen, Lichter, Glas, Spiegel, Motorhaube, Heckklappe, Kofferraum und Räder) plus eine allgemeine
object-Klasse für Teile außerhalb dieser Kategorien. - Download-Größe: ~133 MB.
Link to this sectionAnwendungen#
Die Carparts-Segmentierung findet in verschiedenen Bereichen Anwendung, darunter:
- Automotive Qualitätskontrolle: Identifizierung von Defekten oder Inkonsistenzen bei Autoteilen während der Fertigung (KI in der Fertigung).
- Autoreparatur: Unterstützung von Mechanikern bei der Identifizierung von Teilen für Reparaturen oder Austausch.
- E-Commerce-Katalogisierung: Automatische Markierung und Kategorisierung von Autoteilen in Online-Shops für E-Commerce-Plattformen.
- Verkehrsüberwachung: Analyse von Fahrzeugkomponenten in Videoaufnahmen der Verkehrsüberwachung.
- Autonome Fahrzeuge: Verbesserung der Wahrnehmungssysteme von selbstfahrenden Autos, um die Umgebung besser zu verstehen.
- Versicherungsabwicklung: Automatisierung der Schadensbewertung durch Identifizierung betroffener Autoteile bei Versicherungsansprüchen.
- Recycling: Sortierung von Fahrzeugkomponenten für effiziente Recyclingprozesse.
- Smart-City-Initiativen: Bereitstellung von Daten für Stadtplanung und Verkehrsmanagementsysteme innerhalb von Smart Cities.
Das vollständige Carparts Segmentation Dataset kann auch auf der Ultralytics Platform durchsucht und verwaltet werden.
Link to this sectionDatensatz-YAML#
Eine YAML-Datei definiert die Dataset-Konfiguration, einschließlich der Pfade, Klassennamen und weiterer wesentlicher Details. Für das Carparts Segmentation-Dataset ist die Datei carparts-seg.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml verfügbar. Du kannst mehr über das YAML-Format unter yaml.org erfahren.
# 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.zipLink to this sectionVerwendung#
Um ein Ultralytics YOLO26-Modell auf dem Carparts Segmentation Dataset für 100 Epochen bei einer Bildgröße von 640 zu trainieren, verwende die folgenden Code-Snippets. Sieh dir den Trainingsleitfaden für das Modell an, um eine vollständige Liste der verfügbaren Argumente zu erhalten, und erkunde Tipps zum Modelltraining für bewährte Verfahren.
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")Link to this sectionBeispieldaten und Annotationen#
Unten ist ein Beispielbild aus dem Carparts Segmentation Dataset mit darübergelegten Object Segmentation-Masken zu sehen, das verdeutlicht, wie einzelne Autoteile umrandet und beschriftet werden:
Der Datensatz umfasst unterschiedliche Orte, Lichtverhältnisse und Objektdichten und bietet Modellen, die darauf trainiert werden, die nötige Erfahrung mit einer Vielzahl realer Szenen, um allgemein anwendbar zu sein.
Link to this sectionZitate und Danksagungen#
Wenn du den Carparts-Segmentierungsdatensatz für deine Forschungs- oder Entwicklungszwecke 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 bedanken uns bei Gianmarco Russo und dem Roboflow-Team für die Erstellung und Pflege dieses wertvollen Datensatzes für die Computer-Vision-Community. Weitere Datensätze findest du in der Ultralytics Datasets collection.
Link to this sectionFAQ#
Link to this sectionWas ist das Carparts Segmentation Dataset und wie wird es in Ultralytics YOLO26 verwendet?#
Das Carparts Segmentation Dataset ist eine kuratierte Sammlung von 3.833 annotierten Bildern, die 23 Autoteile-Klassen abdecken – Stoßstangen, Türen, Lichter, Spiegel, Motorhaube, Kofferraum und mehr – für das Training und die Evaluation von Instance Segmentation-Modellen. Es ist für Anwendungen der Computer Vision in der Automobilindustrie konzipiert, wie etwa Qualitätskontrolle, Autoreparatur und Schadensbeurteilung, und wird direkt mit Ultralytics YOLO26 über die Konfigurationsdatei carparts-seg.yaml verwendet.
Link to this sectionWie viele Bilder und Klassen enthält das Carparts Segmentation Dataset?#
Der Datensatz umfasst insgesamt 3.833 Bilder – 3.156 für das Training, 401 für die Validierung und 276 für den Test – verteilt auf 23 Klassen: 22 benannte Autoteile-Kategorien sowie eine allgemeine object-Klasse für Teile außerhalb dieser Definition. Das vollständige Archiv wird bei der ersten Verwendung automatisch als ca. 133 MB große .zip-Datei heruntergeladen.
Link to this sectionWie kann ich ein Ultralytics YOLO26-Modell mit dem Carparts Segmentation Dataset trainieren?#
Lade ein vortrainiertes Segmentierungsmodell (z. B. yolo26n-seg.pt) und trainiere es mit der carparts-seg.yaml-Konfiguration mithilfe der Python- oder CLI-Code-Snippets im Abschnitt Usage oben. Siehe den Training-Leitfaden für die vollständige Liste der verfügbaren Argumente.
Link to this sectionWas sind einige Anwendungsgebiete des Carparts Segmentation Dataset?#
Die Carparts-Segmentierung unterstützt die Qualitätskontrolle in der Automobilindustrie, Autoreparaturen, E-Commerce-Katalogisierung, Verkehrsüberwachung, Wahrnehmung für autonomes Fahren, Schadensbeurteilung durch Versicherungen, Recycling und Smart-City-Initiativen – Details zu den einzelnen Anwendungsfällen findest du im Abschnitt Applications oben.
Link to this sectionWo finde ich die Datensatz-Konfigurationsdatei für die Carparts-Segmentierung?#
Die Datensatz-Konfigurationsdatei carparts-seg.yaml, die Details zu den Pfaden und Klassen des Datensatzes enthält, befindet sich im Ultralytics GitHub-Repository: carparts-seg.yaml.
Link to this sectionWarum sollte ich den Carparts-Segmentierungsdatensatz verwenden?#
Dieser Datensatz bietet umfangreiche, annotierte Daten, die entscheidend für die Entwicklung präziser Segmentierungsmodelle für Automobilanwendungen sind. Seine Vielfalt hilft dabei, die Robustheit und Leistung des Modells in realen Szenarien wie der automatisierten Fahrzeuginspektion, der Verbesserung von Sicherheitssystemen und der Unterstützung autonomer Fahrtechnologien zu steigern. Die Verwendung hochwertiger, domänenspezifischer Datensätze wie diesem beschleunigt die KI-Entwicklung.