Dataset de segmentación de piezas de automóvil#

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

El Ultralytics Carparts Segmentation Dataset proporciona 3.833 imágenes anotadas en 23 clases de piezas de automóviles —incluyendo parachoques, puertas, luces, espejos, capó y maletero— para entrenar modelos de segmentación de instancias en tareas de visión por ordenador automotriz. Capturado desde múltiples perspectivas y anotado 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 en reclamaciones de seguros y la percepción en vehículos autónomos.

Estructura del dataset#

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

• Conjunto de entrenamiento: 3.156 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 en los datos de validación.
• Conjunto de pruebas: 276 imágenes utilizadas para evaluar el modelo en datos de prueba reservados después del entrenamiento.
• Clases: 23 en total: 22 categorías de piezas de automóviles con nombre (parachoques, puertas, luces, vidrio, espejos, capó, portón trasero, maletero y ruedas) más una clase general object para piezas fuera de esas categorías.
• Download size: ~133 MB.

Aplicaciones#

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 en línea para plataformas de comercio electrónico.
• 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 ciudades inteligentes: Aportación de datos para la planificación urbana y los sistemas de gestión de tráfico dentro de Ciudades inteligentes.

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

YAML del dataset#

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 Carparts Segmentation, 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 en el conjunto de datos Carparts Segmentation durante 100 épocas 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 los 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")

Ejemplos de datos y anotaciones#

A continuación se muestra una imagen de ejemplo del Carparts Segmentation Dataset con sus máscaras de segmentación de objetos superpuestas, que muestra cómo se perfilan y etiquetan las piezas individuales del automóvil:

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.

Citas 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 del equipo de Roboflow en la creación y el mantenimiento de este valioso conjunto de datos para la comunidad de visión por ordenador. Para ver más conjuntos de datos, visita la colección Ultralytics Datasets.

FAQ#