Dataset di segmentazione 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

Il dataset di segmentazione Carparts di Ultralytics include 3.833 immagini annotate in 23 classi di parti di automobili — tra cui paraurti, portiere, luci, specchietti, cofano e bagagliaio — per addestrare modelli di segmentazione di istanze ad attività di visione artificiale nel settore automobilistico. Le immagini, acquisite da più prospettive e annotate con maschere a livello di pixel, si integrano direttamente con Ultralytics YOLO per casi d'uso che spaziano dal controllo qualità e dalle riparazioni automobilistiche alla valutazione dei danni per le richieste di risarcimento assicurativo e alla percezione per i veicoli autonomi.

Struttura del dataset#

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

• Set di addestramento: 3.156 immagini usate per addestrare il modello di deep learning.
• Set di convalida: 401 immagini usate durante l'addestramento per ottimizzare gli iperparametri e prevenire l'overfitting sui dati di convalida.
• Set di test: 276 immagini usate per valutare il modello su dati di test esclusi dall'addestramento.
• Classi: 23 in totale — 22 categorie denominate di parti di automobili (paraurti, portiere, luci, vetri, specchietti, cofano, portellone, bagagliaio e ruote), più una classe generica object per le parti che non rientrano in queste categorie.
• Dimensione del download: ~133 MB.

Applicazioni#

Il dataset di segmentazione Carparts trova applicazione in diversi ambiti, tra cui:

• Controllo qualità automobilistico: identificare difetti o incongruenze nei componenti delle automobili durante la produzione (IA nella produzione).
• Riparazioni automobilistiche: aiutare i meccanici a individuare i componenti da riparare o sostituire.
• Catalogazione per l'e-commerce: assegnare automaticamente tag e categorie ai componenti automobilistici nei negozi online sulle piattaforme di e-commerce.
• Monitoraggio del traffico: analizzare i componenti dei veicoli nei filmati di videosorveglianza del traffico.
• Veicoli autonomi: migliorare i sistemi di percezione delle auto a guida autonoma per comprendere meglio i veicoli circostanti.
• Gestione delle pratiche assicurative: automatizzare la valutazione dei danni identificando i componenti automobilistici danneggiati durante le richieste di risarcimento.
• Riciclo: smistare i componenti dei veicoli per rendere più efficienti i processi di riciclo.
• Iniziative per le città intelligenti: fornire dati per la pianificazione urbana e i sistemi di gestione del traffico nell'ambito delle città intelligenti.

Puoi anche esplorare e gestire il dataset completo di segmentazione Carparts su Ultralytics Platform.

YAML del dataset#

Un file YAML definisce la configurazione del dataset, inclusi i percorsi, i nomi delle classi e altri dettagli essenziali. Per il dataset di segmentazione Carparts, il file carparts-seg.yaml è disponibile in https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Puoi approfondire il 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 di segmentazione Carparts per 100 epoche con una dimensione dell'immagine di 640, usa i seguenti frammenti di codice. Consulta la guida all'addestramento del modello per un elenco completo degli argomenti disponibili e scopri i suggerimenti per l'addestramento dei modelli per seguire le procedure consigliate.

from ultralytics import YOLO

# Carica un modello di segmentazione preaddestrato, ad esempio YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)

# Addestra il modello sul dataset di segmentazione Carparts
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Dopo l'addestramento, puoi convalidare le prestazioni del modello sul set di convalida
results = model.val()

# Oppure esegui previsioni su nuove immagini o video
results = model.predict("path/to/your/image.jpg")

Dati di esempio e annotazioni#

Di seguito trovi un'immagine di esempio del dataset di segmentazione Carparts con le maschere di segmentazione degli oggetti sovrapposte, che mostra come vengono contornate ed etichettate le singole parti dell'automobile:

Il dataset copre località, condizioni di illuminazione e densità degli oggetti diverse, esponendo i modelli addestrati su di esso alla varietà di scene reali con cui dovranno generalizzare.

Citazioni e ringraziamenti#

Se usi il dataset di segmentazione Carparts 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 },
}

Riconosciamo il contributo di Gianmarco Russo e del team Roboflow alla creazione e alla manutenzione di questo prezioso dataset per la comunità della visione artificiale. Per altri dataset, visita la raccolta di dataset Ultralytics.

Domande frequenti#