Link to this sectionDataset de segmentación de piezas de automóvil#

El Ultralytics Carparts Segmentation Dataset proporciona 3.833 imágenes anotadas de 23 clases de piezas de automóvil —incluidos parachoques, puertas, luces, espejos, capó y maletero— para entrenar modelos de instance segmentation en tareas de computer vision automotriz. Capturado desde múltiples perspectivas y annotated con máscaras a nivel de píxel, se combina directamente con Ultralytics YOLO para casos de uso que van desde el control de calidad automotriz y la reparación de automóviles hasta la evaluación de daños por reclamaciones de seguros y la percepción de vehículos autónomos.

Link to this sectionEstructura del dataset#

El Carparts Segmentation Dataset divide sus 3.833 imágenes de la siguiente manera:

• Training set: 3.156 imágenes utilizadas para training el deep learning model.
• Validation set: 401 imágenes utilizadas durante el entrenamiento para ajustar los hyperparameters y evitar el overfitting en validation data.
• Testing set: 276 imágenes utilizadas para evaluar el modelo con test data reservado después del entrenamiento.
• Classes: 23 en total: 22 categorías de piezas de automóvil nombradas (parachoques, puertas, luces, cristales, espejos, capó, portón trasero, maletero y ruedas) más una clase general object para piezas fuera de esas categorías.
• Download size: ~133 MB.

Link to this sectionAplicaciones#

La segmentación de piezas de automóvil encuentra aplicaciones en diversos dominios, incluyendo:

• Control de calidad automotriz: Identificación de defectos o inconsistencias en piezas de automóviles durante la fabricación (IA en la fabricación).
• Reparación de automóviles: Asistencia a mecánicos en la identificación de piezas para su reparación o sustitución.
• Catalogación en comercio electrónico: Etiquetado y categorización automática de piezas de automóviles en tiendas online para plataformas de e-commerce.
• Monitorización del tráfico: Análisis de componentes de vehículos en grabaciones de vigilancia de tráfico.
• Vehículos autónomos: Mejora de los sistemas de percepción de coches autónomos para comprender mejor los vehículos circundantes.
• Procesamiento de seguros: Automatización de la evaluación de daños identificando piezas de coche afectadas durante las reclamaciones al seguro.
• Reciclaje: Clasificación de componentes de vehículos para procesos de reciclaje eficientes.
• Iniciativas de Smart City: Contribución de datos para la planificación urbana y los sistemas de gestión del tráfico dentro de Smart Cities.

El Carparts Segmentation Dataset completo también se puede explorar y gestionar en Ultralytics Platform.

Link to this sectionYAML del dataset#

Un archivo YAML define la configuración del conjunto de datos, incluyendo rutas, nombres de clases y otros detalles esenciales. Para el conjunto de datos Carparts Segmentation, el archivo carparts-seg.yaml está disponible en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Puedes aprender más sobre el formato YAML en 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

Link to this sectionUso#

Para entrenar un modelo Ultralytics YOLO26 en el Carparts Segmentation dataset durante 100 epochs con un tamaño de imagen de 640, utiliza los siguientes fragmentos de código. Consulta la guía de entrenamiento del modelo para obtener una lista completa de argumentos disponibles y explora los consejos para el entrenamiento de modelos para conocer las mejores prácticas.

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 sectionEjemplos de datos y anotaciones#

A continuación se muestra un ejemplo de imagen del Carparts Segmentation Dataset con sus máscaras de object segmentation superpuestas, que muestra cómo se perfilan y etiquetan las piezas individuales de los automóviles:

El conjunto de datos abarca ubicaciones, condiciones de iluminación y densidades de objetos variadas, lo que permite a los modelos entrenados con él experimentar el rango de escenas del mundo real en las que necesitarán generalizar.

Link to this sectionCitas y agradecimientos#

Si utilizas el dataset de segmentación de piezas de automóvil en tus esfuerzos de investigación o desarrollo, por favor cita la fuente original:

@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 },
}

Agradecemos la contribución de Gianmarco Russo y el equipo de Roboflow en la creación y el mantenimiento de este valioso conjunto de datos para la comunidad de computer vision. Para ver más conjuntos de datos, visita la colección de Ultralytics Datasets.

Link to this sectionFAQ#

Link to this section¿Qué es el Carparts Segmentation Dataset y cómo se utiliza en Ultralytics YOLO26?#

El Carparts Segmentation Dataset es una colección curada de 3.833 imágenes anotadas que abarcan 23 clases de piezas de automóvil (parachoques, puertas, luces, espejos, capó, maletero y más) para entrenar y evaluar modelos de instance segmentation. Está diseñado para aplicaciones de computer vision automotriz como el control de calidad, la reparación de automóviles y la evaluación de daños, y se utiliza directamente con Ultralytics YOLO26 a través del archivo de configuración carparts-seg.yaml.

Link to this section¿Cuántas imágenes y clases contiene el Carparts Segmentation Dataset?#

El conjunto de datos suma 3.833 imágenes (3.156 para entrenamiento, 401 para validación y 276 para pruebas) en 23 clases: 22 categorías de piezas de automóvil nombradas más una clase general object para las piezas fuera de ellas. El archivo completo se descarga automáticamente como un .zip de ~133 MB en el primer uso.

Link to this section¿Cómo puedo entrenar un modelo Ultralytics YOLO26 con el Carparts Segmentation Dataset?#

Carga un modelo de segmentación preentrenado (por ejemplo, yolo26n-seg.pt) y entrénalo con la configuración carparts-seg.yaml usando los fragmentos de Python o CLI en la sección Usage anterior. Consulta la Training guide para ver la lista completa de argumentos disponibles.

Link to this section¿Cuáles son algunas aplicaciones del Carparts Segmentation Dataset?#

La segmentación de piezas de automóvil es compatible con el control de calidad automotriz, la reparación de automóviles, la catalogación de comercio electrónico, el control del tráfico, la percepción de vehículos autónomos, la evaluación de daños para seguros, el reciclaje y las iniciativas de ciudades inteligentes; consulta la sección Applications anterior para obtener detalles sobre cada caso de uso.

Link to this section¿Dónde puedo encontrar el archivo de configuración del dataset para la segmentación de piezas de automóvil?#

El archivo de configuración del dataset, carparts-seg.yaml, que contiene detalles sobre las rutas y clases del dataset, se encuentra en el repositorio de GitHub de Ultralytics: carparts-seg.yaml.

Link to this section¿Por qué debería utilizar el dataset de segmentación de piezas de automóvil?#

Este conjunto de datos ofrece datos ricos y anotados fundamentales para desarrollar modelos de segmentación precisos para aplicaciones de automoción. Su diversidad ayuda a mejorar la robustez y el rendimiento del modelo en escenarios del mundo real como la inspección automatizada de vehículos, la mejora de los sistemas de seguridad y el apoyo a la tecnología de conducción autónoma. Utilizar conjuntos de datos de alta calidad y específicos de un dominio como este acelera el desarrollo de la IA.