Jeu de données de segmentation Carparts#

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

Le jeu de données de segmentation Carparts d’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 dans le secteur automobile. Capturées sous plusieurs angles et annotées avec des masques au niveau du pixel, ces images sont directement compatibles avec Ultralytics YOLO pour des cas d’usage allant du contrôle qualité automobile et de la réparation à l’évaluation des dommages pour les déclarations d’assurance et à la perception des véhicules autonomes.

Structure du jeu de données#

Le jeu de données de segmentation Carparts répartit ses 3 833 images comme suit :

• Ensemble d’entraînement : 3 156 images utilisées pour entraîner le modèle d’apprentissage profond.
• 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 après l’entraînement pour évaluer le modèle sur des données de test mises de côté.
• 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 ne relèvent pas de ces catégories.
• Taille du téléchargement : ~133 Mo.

Applications#

Le jeu de données de segmentation Carparts trouve des applications dans différents domaines, notamment :

• Contrôle qualité automobile : détection des défauts ou des irrégularités sur les 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 pour le commerce en ligne : étiquetage et catégorisation automatiques des pièces automobiles dans les boutiques en ligne et sur les plateformes de commerce en ligne.
• Surveillance du trafic : analyse des composants des véhicules dans les vidéos de surveillance routière.
• Véhicules autonomes : amélioration des systèmes de perception des voitures autonomes pour mieux comprendre les véhicules environnants.
• Traitement des dossiers d’assurance : automatisation de l’évaluation des dommages en identifiant les pièces automobiles touchées lors des déclarations de sinistre.
• Recyclage : tri des composants des véhicules pour optimiser les processus de recyclage.
• Initiatives pour les villes intelligentes : contribution de données à la planification urbaine et aux systèmes de gestion du trafic au sein des villes intelligentes.

Tu peux également parcourir et gérer le jeu de données de segmentation Carparts complet sur Ultralytics Platform.

Fichier YAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données, notamment les chemins, les noms des classes et d’autres informations essentielles. Pour le jeu de données de segmentation Carparts, le fichier carparts-seg.yaml est disponible à l’adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Pour en savoir plus sur le format YAML, consulte 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 jeu de données de segmentation Carparts 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 d’entraînement des modèles pour connaître les bonnes pratiques.

from ultralytics import YOLO

# Charger un modèle de segmentation préentraîné comme YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)

# Entraîner le modèle sur le jeu de données de segmentation Carparts
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Après l’entraînement, tu peux valider les performances du modèle sur l’ensemble de validation
results = model.val()

# Ou effectuer des prédictions sur de nouvelles images ou vidéos
results = model.predict("path/to/your/image.jpg")

Données et annotations d’exemple#

Voici un exemple d’image du jeu de données de segmentation Carparts avec les masques de segmentation d’objets superposés, montrant comment chaque pièce automobile est délimitée et étiquetée :

Le jeu de données couvre différents lieux, conditions d’éclairage et niveaux de densité des objets, exposant ainsi les modèles entraînés à la diversité des scènes réelles sur lesquelles ils devront généraliser.

Citations et remerciements#

Si tu utilises le jeu de données de segmentation Carparts dans le cadre de tes recherches ou de ton développement, cite la source d’origine :

@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 jeu de données pour la communauté de la vision par ordinateur. Pour découvrir d’autres jeux de données, consulte la collection de jeux de données Ultralytics.

FAQ#