Conjunto de datos de segmentación de piezas de vehículos#

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

El conjunto de datos de segmentación de piezas de vehículos de Ultralytics ofrece 3833 imágenes anotadas en 23 clases de piezas de vehículos —como parachoques, puertas, luces, retrovisores, capó y maletero— para entrenar modelos de segmentación de instancias en tareas de visión artificial del sector de la automoción. Las imágenes se capturaron desde varias perspectivas y se anotaron con máscaras a nivel de píxel. El conjunto se integra directamente con Ultralytics YOLO y permite abordar casos de uso que van desde el control de calidad y la reparación de vehículos hasta la evaluación de daños para reclamaciones de seguros y la percepción de vehículos autónomos.

Estructura del conjunto de datos#

El conjunto de datos de segmentación de piezas de vehículos divide sus 3833 imágenes de la siguiente manera:

• Conjunto de entrenamiento: 3156 imágenes utilizadas para entrenar el modelo de aprendizaje profundo.
• Conjunto de validación: 401 imágenes utilizadas durante el entrenamiento para ajustar los hiperparámetros y evitar el sobreajuste con los datos de validación.
• Conjunto de prueba: 276 imágenes utilizadas para evaluar el modelo con datos de prueba reservados tras el entrenamiento.
• Clases: 23 en total: 22 categorías con nombre de piezas de vehículos (parachoques, puertas, luces, cristales, retrovisores, capó, portón trasero, maletero y ruedas), más una clase general object para las piezas que no pertenecen a esas categorías.
• Tamaño de descarga: ~133 MB.

Aplicaciones#

La segmentación de piezas de vehículos tiene aplicaciones en distintos ámbitos, entre ellos:

• Control de calidad en automoción: identificación de defectos o incoherencias en piezas de vehículos durante la fabricación (IA en la fabricación).
• Reparación de vehículos: ayuda a los mecánicos a identificar las piezas que deben repararse o sustituirse.
• Catalogación para comercio electrónico: etiquetado y clasificación automáticos de piezas de vehículos en tiendas online para plataformas de comercio electrónico.
• Supervisión del tráfico: análisis de componentes de vehículos en grabaciones de vigilancia del tráfico.
• Vehículos autónomos: mejora de los sistemas de percepción de los coches autónomos para que comprendan mejor los vehículos que los rodean.
• Tramitación de seguros: automatización de la evaluación de daños mediante la identificación de las piezas afectadas en reclamaciones de seguros.
• Reciclaje: clasificación de componentes de vehículos para optimizar los procesos de reciclaje.
• Iniciativas de ciudades inteligentes: aportación de datos para la planificación urbana y los sistemas de gestión del tráfico en ciudades inteligentes.

También puedes explorar y gestionar el conjunto de datos completo de segmentación de piezas de vehículos en Ultralytics Platform.

YAML del conjunto de datos#

Un archivo YAML define la configuración del conjunto de datos, incluidas las rutas, los nombres de las clases y otros detalles esenciales. Para el conjunto de datos de segmentación de piezas de vehículos, el archivo carparts-seg.yaml está disponible en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Puedes obtener más información 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

Uso#

Para entrenar un modelo Ultralytics YOLO26 con el conjunto de datos de segmentación de piezas de vehículos durante 100 épocas y con un tamaño de imagen de 640, utiliza los siguientes fragmentos de código. Consulta la guía de entrenamiento del modelo para ver una lista completa de los argumentos disponibles y explora los consejos para entrenar modelos para conocer las prácticas recomendadas.

from ultralytics import YOLO

# Carga un modelo de segmentación preentrenado, como YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrena el modelo con el conjunto de datos de segmentación de piezas de vehículos
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Después del entrenamiento, puedes validar el rendimiento del modelo con el conjunto de validación
results = model.val()

# O realiza predicciones con imágenes o vídeos nuevos
results = model.predict("path/to/your/image.jpg")

Datos de ejemplo y anotaciones#

A continuación se muestra una imagen de ejemplo del conjunto de datos de segmentación de piezas de vehículos con las máscaras de segmentación de objetos superpuestas, que muestra cómo se delimitan y etiquetan las piezas individuales:

El conjunto de datos abarca distintas ubicaciones, condiciones de iluminación y densidades de objetos, lo que permite que los modelos entrenados con él se familiaricen con la variedad de escenas reales a las que deberán generalizar.

Citas y agradecimientos#

Si utilizas el conjunto de datos de segmentación de piezas de vehículos en tus investigaciones o proyectos de desarrollo, 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 a Gianmarco Russo y al equipo de Roboflow su contribución a la creación y el mantenimiento de este valioso conjunto de datos para la comunidad de visión artificial. Para consultar más conjuntos de datos, visita la colección de conjuntos de datos de Ultralytics.

Preguntas frecuentes#