Carparts-Segmentierungsdatensatz#

3,833

Carparts-Seg

ultralytics

publicSegment

Official Ultralytics Carparts-Seg instance segmentation dataset sourced from Gianmarco Russo, with 3,833 automotive images, 3,698 labeled images, 135 background images, and 20,374 polygon instances across 23 car-part classes. Includes 3,156 train, 401 validation, and 276 test images.

23 classes247.1 MBAug 21, 2026

back_bumperback_doorback_glassback_left_door+19

instance-segmentationautomotivecar-parts+1

Das Ultralytics Carparts Segmentation Dataset bietet 3.833 annotierte Bilder über 23 Autoteile-Klassen verteilt – darunter Stoßstangen, Türen, Lichter, Spiegel, Motorhaube und Kofferraum –, um Instance Segmentation-Modelle für automotive Computer Vision-Aufgaben zu trainieren. Es wurde aus mehreren Perspektiven aufgenommen, mit Pixel-genauen Masken annotiert und lässt sich direkt mit Ultralytics YOLO für Anwendungsfälle wie Qualitätskontrolle in der Automobilindustrie, Autoreparatur, Schadensbewertung für Versicherungen und Wahrnehmung in autonomen Fahrzeugen kombinieren.

Datensatzstruktur#

Das Carparts Segmentation Dataset unterteilt seine 3.833 Bilder wie folgt:

• Training set: 3.156 Bilder zum Trainieren des Deep Learning-Modells.
• Validation set: 401 Bilder, die während des Trainings verwendet werden, um Hyperparameter anzupassen und Overfitting auf Validierungsdaten zu verhindern.
• Testing set: 276 Bilder zur Evaluierung des Modells anhand zurückgestellter Testdaten nach dem Training.
• Classes: 23 insgesamt – 22 benannte Autoteile-Kategorien (Stoßstangen, Türen, Lichter, Glas, Spiegel, Motorhaube, Heckklappe, Kofferraum und Räder) plus eine Sammelkategorie (object) für Teile außerhalb dieser Kategorien.
• Download-Größe: ~133 MB.

Anwendungen#

Die Carparts-Segmentierung findet in verschiedenen Bereichen Anwendung, darunter:

• Automotive Quality Control: Identifizierung von Defekten oder Unstimmigkeiten an Autoteilen während der Herstellung (AI in Manufacturing).
• Autoreparatur: Unterstützung von Mechanikern bei der Identifizierung von Teilen für Reparaturen oder Austausch.
• E-commerce Cataloging: Automatisches Taggen und Kategorisieren von Autoteilen in Online-Shops für E-Commerce-Plattformen.
• Verkehrsüberwachung: Analyse von Fahrzeugkomponenten in Videoaufnahmen der Verkehrsüberwachung.
• Autonomous Vehicles: Verbesserung der Wahrnehmungssysteme von selbstfahrenden Autos, um umliegende Fahrzeuge besser zu erfassen.
• Versicherungsabwicklung: Automatisierung der Schadensbewertung durch Identifizierung betroffener Autoteile bei Versicherungsansprüchen.
• Recycling: Sortierung von Fahrzeugkomponenten für effiziente Recyclingprozesse.
• Smart City Initiatives: Bereitstellung von Daten für die Stadtplanung und Verkehrsleitsysteme in Smart Cities.

Das vollständige Carparts Segmentation Dataset kann auch auf der Ultralytics Platform durchsucht und verwaltet werden.

Datensatz-YAML#

Eine YAML-Datei definiert die Dataset-Konfiguration, einschließlich Pfaden, Klassennamen und weiteren wichtigen 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. Erfahre mehr über das YAML-Format 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 auf dem Carparts Segmentation Dataset für 100 Epochs mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Code-Snippets. Eine umfassende Liste der verfügbaren Argumente findest du im Training guide des Modells, und unter model training tips findest du bewährte Methoden.

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 Carparts Segmentation Dataset mit überlagerten Object Segmentation-Masken, die zeigen, 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.

Zitate 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 danken Gianmarco Russo und dem Roboflow-Team für ihren Beitrag zur Erstellung und Pflege dieses wertvollen Datasets für die Computer-Vision-Community. Weitere Datasets findest du in der Ultralytics Datasets collection.

FAQ#