Dataset de segmentation de pièces automobiles#

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.

23 classes247.1 MBSep 2, 2026

back_bumperback_doorback_glassback_left_door+19

instance-segmentationautomotivecar-parts+1

Le dataset de segmentation de pièces automobiles Ultralytics fournit 3 833 images annotées réparties sur 23 classes de pièces automobiles — notamment les pare-chocs, les portières, les feux, les rétroviseurs, le capot et le coffre — pour entraîner des modèles de segmentation d’instances sur des tâches de vision par ordinateur appliquées à l’automobile. Capturées sous plusieurs angles et annotées avec des masques au niveau du pixel, ces images s’associent directement à Ultralytics YOLO pour des cas d’usage allant du contrôle qualité automobile et de la réparation automobile à l’évaluation des dommages pour les déclarations de sinistre et à la perception des véhicules autonomes.

Structure du jeu de données#

Le dataset de segmentation de pièces automobiles répartit ses 3 833 images comme suit :

• Ensemble d’entraînement : 3 156 images utilisées pour entraîner le modèle de deep learning.
• Ensemble de validation : 401 images utilisées pendant l’entraînement pour ajuster les hyperparamètres et éviter le surapprentissage sur les données de validation.
• Ensemble de test : 276 images utilisées pour évaluer le modèle sur des données de test mises de côté après l’entraînement.
• Classes : 23 au total — 22 catégories nommées de pièces automobiles (pare-chocs, portières, feux, vitres, rétroviseurs, capot, hayon, coffre et roues), ainsi qu’une classe fourre-tout object pour les pièces qui n’entrent pas dans ces catégories.
• Taille du téléchargement : ~133 Mo.

Applications#

La segmentation de pièces automobiles Carparts trouve des applications dans différents domaines, notamment :

• Contrôle qualité automobile : identification des défauts ou des incohérences des pièces automobiles pendant la fabrication (IA dans l’industrie manufacturière).
• Réparation automobile : aide aux mécaniciens pour identifier les pièces à réparer ou à remplacer.
• Catalogage e-commerce : étiquetage et catégorisation automatiques des pièces automobiles dans les boutiques en ligne pour les plateformes d’e-commerce.
• Surveillance du trafic : analyse des composants des véhicules dans les images de vidéosurveillance du trafic.
• Véhicules autonomes : amélioration des systèmes de perception des voitures autonomes pour mieux comprendre les véhicules environnants.
• Traitement des sinistres : automatisation de l’évaluation des dommages par l’identification des pièces automobiles touchées lors des déclarations de sinistre.
• Recyclage : tri des composants des véhicules pour optimiser les processus de recyclage.
• Initiatives de ville intelligente : contribution de données aux systèmes d’urbanisme et de gestion du trafic dans les villes intelligentes.

Le dataset complet de segmentation de pièces automobiles peut également être consulté et géré sur Ultralytics Platform.

YAML du jeu de données#

Un fichier YAML définit la configuration du dataset, notamment les chemins, les noms de classes et d’autres informations essentielles. Pour le dataset de segmentation de pièces automobiles, le fichier carparts-seg.yaml est disponible à l’adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Tu peux en savoir plus sur le format YAML sur 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

Utilisation#

Pour entraîner un modèle Ultralytics YOLO26 sur le dataset de segmentation de pièces automobiles pendant 100 époques avec une taille d’image de 640, utilise les extraits de code suivants. Consulte le guide d’entraînement du modèle pour obtenir la liste complète des arguments disponibles et découvre les conseils pour l’entraînement des modèles afin de suivre les bonnes pratiques.

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")

Données et annotations d'exemple#

Voici un exemple d’image du dataset de segmentation de pièces automobiles avec ses masques de [segmentation d’objets](https://ultralytics-translation-0.invalid superposés, montrant comment les différentes pièces automobiles sont délimitées et étiquetées :

Le dataset couvre des lieux, des conditions d’éclairage et des densités d’objets variés, ce qui expose les modèles entraînés sur ces données à la diversité des scènes réelles auxquelles ils devront se généraliser.

Citations et remerciements#

Si tu utilises le dataset de segmentation de pièces automobiles dans tes travaux de recherche ou de développement, merci de citer la source originale :

@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 },
}

Nous remercions Gianmarco Russo et l’équipe Roboflow pour leur contribution à la création et à la maintenance de ce précieux dataset destiné à la communauté de la vision par ordinateur. Pour découvrir d’autres datasets, consulte la collection de datasets Ultralytics.

FAQ#