Link to this sectionJeu de données de segmentation Carparts#

Le jeu de données de segmentation de pièces automobiles Ultralytics fournit 3 833 images annotées réparties sur 23 classes de pièces automobiles — notamment les pare-chocs, portes, feux, rétroviseurs, capot et coffre — pour entraîner des modèles de segmentation d'instances sur des tâches de vision par ordinateur automobile. Capturé sous plusieurs angles et annoté avec des masques au niveau du pixel, il s'associe directement à Ultralytics YOLO pour des cas d'utilisation allant du contrôle qualité automobile et de la réparation auto à l'évaluation des dommages pour les réclamations d'assurance et à la perception pour véhicules autonomes.

Link to this sectionStructure du jeu de données#

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

• Training set: 3,156 images used for training the deep learning model.
• Jeu de validation : 401 images utilisées pendant l'entraînement pour ajuster les hyperparamètres et prévenir le surapprentissage sur les données de validation.
• Jeu 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 de pièces automobiles nommées (pare-chocs, portes, feux, vitres, rétroviseurs, capot, hayon, coffre et roues) plus une classe globale object pour les pièces en dehors de ces catégories.
• Taille du téléchargement : ~133 Mo.

Link to this sectionApplications#

La segmentation Carparts trouve des applications dans divers domaines, notamment :

• Contrôle qualité automobile : Identification des défauts ou des incohérences dans les pièces automobiles pendant la fabrication (IA dans la fabrication).
• Réparation automobile : Aider les mécaniciens à identifier les pièces à réparer ou à remplacer.
• Catalogage e-commerce : Étiqueter et catégoriser automatiquement les pièces automobiles dans les boutiques en ligne pour les plateformes d'e-commerce.
• Surveillance du trafic : Analyser les composants des véhicules dans les séquences de surveillance du trafic.
• Véhicules autonomes : Améliorer les systèmes de perception des voitures autonomes pour mieux comprendre les véhicules environnants.
• Traitement des assurances : Automatiser l'évaluation des dommages en identifiant les pièces automobiles affectées lors des déclarations de sinistres.
• Recyclage : Trier les composants des véhicules pour des processus de recyclage efficaces.
• Initiatives de Smart City : Contribuer aux données pour la planification urbaine et les systèmes de gestion du trafic au sein des Smart Cities.

Le jeu de données de segmentation Carparts complet peut également être parcouru et géré sur la plateforme Ultralytics.

Link to this sectionYAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données, y compris les chemins, les noms de classes et d'autres détails essentiels. Pour le jeu de données Carparts Segmentation, le fichier carparts-seg.yaml est disponible sur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Tu peux en apprendre davantage 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

Link to this sectionUtilisation#

Pour entraîner un modèle Ultralytics YOLO26 sur le dataset Carparts Segmentation pendant 100 epochs avec une taille d'image de 640, utilise les extraits de code suivants. Reporte-toi au Training guide du modèle pour obtenir une liste complète des arguments disponibles et explore les model training tips pour découvrir les meilleures 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")

Link to this sectionExemples de données et d'annotations#

Voici un exemple d'image issue du jeu de données de segmentation Carparts avec ses masques de segmentation d'objets superposés, montrant comment les pièces automobiles individuelles sont délimitées et étiquetées :

Le jeu de données couvre des emplacements, des conditions d'éclairage et des densités d'objets variés, offrant aux modèles entraînés une exposition à la diversité des scènes du monde réel dont ils ont besoin pour généraliser.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données de segmentation Carparts dans tes efforts 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 reconnaissons la contribution de Gianmarco Russo et de l'équipe Roboflow dans la création et la maintenance de ce précieux dataset pour la communauté de la computer vision. Pour plus de datasets, visite la Ultralytics Datasets collection.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données de segmentation Carparts et comment est-il utilisé dans Ultralytics YOLO26 ?#

Le jeu de données de segmentation Carparts est une collection organisée de 3 833 images annotées couvrant 23 classes de pièces automobiles — pare-chocs, portes, feux, rétroviseurs, capot, coffre, et plus encore — pour entraîner et évaluer des modèles de segmentation d'instances. Il est conçu pour les applications de vision par ordinateur automobile comme le contrôle qualité, la réparation auto et l'évaluation des dommages, et est utilisé directement avec Ultralytics YOLO26 via le fichier de configuration carparts-seg.yaml.

Link to this sectionCombien d'images et de classes le jeu de données de segmentation Carparts contient-il ?#

Le jeu de données totalise 3 833 images — 3 156 pour l'entraînement, 401 pour la validation et 276 pour le test — sur 23 classes : 22 catégories de pièces automobiles nommées plus une classe globale object pour les pièces en dehors de celles-ci. L'archive complète se télécharge automatiquement sous forme de fichier .zip d'environ 133 Mo lors de la première utilisation.

Link to this sectionComment puis-je entraîner un modèle Ultralytics YOLO26 sur le jeu de données de segmentation Carparts ?#

Charge un modèle de segmentation pré-entraîné (par exemple, yolo26n-seg.pt) et entraîne-le avec la configuration carparts-seg.yaml en utilisant les extraits Python ou CLI dans la section Utilisation ci-dessus. Consulte le guide d'entraînement pour obtenir la liste complète des arguments disponibles.

Link to this sectionQuelles sont les applications du jeu de données de segmentation Carparts ?#

La segmentation de pièces automobiles prend en charge le contrôle qualité automobile, la réparation auto, le catalogage e-commerce, la surveillance du trafic, la perception pour véhicules autonomes, l'évaluation des dommages pour l'assurance, le recyclage et les initiatives de ville intelligente — consulte la section Applications ci-dessus pour plus de détails sur chaque cas d'utilisation.

Link to this sectionOù puis-je trouver le fichier de configuration du jeu de données pour la segmentation Carparts ?#

Le fichier de configuration du jeu de données, carparts-seg.yaml, qui contient des détails sur les chemins et les classes du jeu de données, est situé dans le dépôt GitHub d'Ultralytics : carparts-seg.yaml.

Link to this sectionPourquoi devrais-je utiliser le jeu de données de segmentation Carparts ?#

Ce dataset offre des données riches et annotées, cruciales pour développer des segmentation models précis destinés aux applications automobiles. Sa diversité aide à améliorer la robustesse et les performances du modèle dans des scénarios réels tels que l'inspection automatisée des véhicules, l'amélioration des systèmes de sécurité et le soutien à la technologie de conduite autonome. L'utilisation de datasets de haute qualité spécifiques à un domaine comme celui-ci accélère le développement de l'IA.