Dataset di segmentazione dei componenti auto#

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

Il dataset Ultralytics Carparts Segmentation offre 3.833 immagini annotate suddivise in 23 classi di parti di auto — tra cui paraurti, sportelli, fanali, specchietti, cofano e bagagliaio — per l'addestramento di modelli di instance segmentation su attività di computer vision nel settore automobilistico. Acquisito da molteplici prospettive e annotato con maschere a livello di pixel, si integra direttamente con Ultralytics YOLO per casi d'uso che vanno dal controllo qualità e dalla riparazione auto alla stima dei danni per assicurazioni e alla percezione per veicoli autonomi.

Struttura del dataset#

Il dataset di segmentazione Carparts suddivide le sue 3.833 immagini come segue:

• Training set: 3.156 immagini utilizzate per l'addestramento del model di deep learning.
• Validation set: 401 immagini utilizzate durante l'addestramento per ottimizzare gli hyperparameters e prevenire l'overfitting sui validation data.
• Testing set: 276 immagini utilizzate per valutare il modello su test data di riserva dopo l'addestramento.
• Classi: 23 in totale — 22 categorie denominate di parti di auto (paraurti, sportelli, fanali, vetri, specchietti, cofano, portellone, bagagliaio e ruote) più una classe generica object per i componenti che escono da tali categorie.
• Dimensioni del download: ~133 MB.

Applicazioni#

La segmentazione dei componenti auto trova applicazioni in diversi ambiti, tra cui:

• Controllo qualità automobilistico: Identificazione di difetti o incongruenze nelle parti di auto durante la produzione (AI in Manufacturing).
• Riparazione auto: Assistenza ai meccanici nell'identificazione dei componenti per la riparazione o la sostituzione.
• Catalogazione e-commerce: Tagging e categorizzazione automatica di parti di auto nei negozi online per piattaforme di e-commerce.
• Monitoraggio del traffico: Analisi dei componenti del veicolo nei filmati di sorveglianza del traffico.
• Veicoli autonomi: Miglioramento dei sistemi di percezione delle self-driving cars per comprendere meglio i veicoli circostanti.
• Gestione delle pratiche assicurative: Automazione della valutazione dei danni identificando i componenti auto interessati durante le richieste di risarcimento assicurativo.
• Riciclaggio: Smistamento dei componenti del veicolo per processi di riciclaggio efficienti.
• Iniziative per smart city: Contributo con dati per la pianificazione urbana e i sistemi di gestione del traffico all'interno di Smart Cities.

Il dataset Carparts Segmentation completo può anche essere esplorato e gestito su Ultralytics Platform.

Dataset YAML#

Un file YAML definisce la configurazione del dataset, inclusi percorsi, nomi delle classi e altri dettagli essenziali. Per il dataset Carparts Segmentation, il file carparts-seg.yaml è disponibile su https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Puoi scoprire di più sul formato YAML su 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

Utilizzo#

Per addestrare un modello Ultralytics YOLO26 sul dataset Carparts Segmentation per 100 epochs con una dimensione immagine di 640, usa i seguenti snippet di codice. Fai riferimento alla Training guide del modello per un elenco completo degli argomenti disponibili ed esplora i model training tips per le migliori pratiche.

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")

Dati di esempio e annotazioni#

Di seguito è mostrata un'immagine di esempio tratta dal dataset Carparts Segmentation con le relative maschere di object segmentation sovrapposte, che evidenzia come le singole parti dell'auto siano delineate ed etichettate:

Il dataset copre posizioni, condizioni di illuminazione e densità di oggetti variabili, offrendo ai modelli addestrati su di esso un'esposizione alla gamma di scenari reali in cui dovranno essere in grado di generalizzare.

Citazioni e riconoscimenti#

Se utilizzi il dataset di segmentazione dei componenti auto nelle tue attività di ricerca o sviluppo, cita la fonte 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 },
}

Ringraziamo Gianmarco Russo e il team di Roboflow per la creazione e il mantenimento di questo prezioso dataset per la community della computer vision. Per altri dataset, visita la Ultralytics Datasets collection.

FAQ#