Dataset di segmentazione dei componenti automobilistici#

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

Il dataset di segmentazione dei componenti automobilistici di Ultralytics fornisce 3.833 immagini annotate suddivise in 23 classi di componenti — tra cui paraurti, portiere, fari, specchietti, cofano e bagagliaio — per l'addestramento di modelli di segmentazione delle istanze in attività di visione artificiale per il settore automobilistico. Acquisite da più prospettive e annotate con maschere a livello di pixel, queste immagini si integrano direttamente con Ultralytics YOLO per casi d'uso che spaziano dal controllo qualità automobilistico e dalla riparazione dei veicoli alla valutazione dei danni per le richieste di risarcimento assicurativo e alla percezione per veicoli autonomi.

Struttura del dataset#

Il dataset di segmentazione dei componenti automobilistici suddivide le sue 3.833 immagini come segue:

• Set di addestramento: 3.156 immagini utilizzate per addestrare il modello di deep learning.
• Set di validazione: 401 immagini utilizzate durante l'addestramento per ottimizzare gli iperparametri e prevenire l'overfitting sui dati di validazione.
• Set di test: 276 immagini utilizzate per valutare il modello sui dati di test tenuti da parte dopo l'addestramento.
• Classi: 23 in totale — 22 categorie di componenti automobilistici denominate (paraurti, portiere, fari, vetri, specchietti, cofano, portellone, bagagliaio e ruote) più una classe generica object per i componenti al di fuori di tali categorie.
• Dimensioni del download: ~133 MB.

Applicazioni#

La segmentazione dei componenti automobilistici trova applicazione in vari ambiti, tra cui:

• Controllo qualità automobilistico: identificazione di difetti o anomalie nei componenti automobilistici durante la produzione (IA nella produzione).
• Riparazione automobilistica: assistenza ai meccanici nell'identificazione dei componenti da riparare o sostituire.
• Catalogazione per l'e-commerce: assegnazione automatica di tag e categorizzazione dei componenti automobilistici nei negozi online per le piattaforme di e-commerce.
• Monitoraggio del traffico: analisi dei componenti dei veicoli nelle riprese della videosorveglianza del traffico.
• Veicoli autonomi: miglioramento dei sistemi di percezione delle auto a guida autonoma per comprendere meglio i veicoli circostanti.
• Gestione delle assicurazioni: automazione della valutazione dei danni tramite l'identificazione dei componenti automobilistici danneggiati durante le richieste di risarcimento assicurativo.
• Riciclaggio: smistamento dei componenti dei veicoli per processi di riciclaggio efficienti.
• Iniziative per le città intelligenti: fornitura di dati per i sistemi di pianificazione urbana e gestione del traffico nell'ambito delle città intelligenti.

Il dataset completo di segmentazione dei componenti automobilistici può anche essere consultato e gestito sulla piattaforma Ultralytics.

YAML del dataset#

Un file YAML definisce la configurazione del dataset, inclusi percorsi, nomi delle classi e altri dettagli essenziali. Per il dataset di segmentazione dei componenti automobilistici, il file carparts-seg.yaml è disponibile all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Puoi trovare maggiori informazioni sul formato YAML all'indirizzo 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 dei componenti automobilistici per 100 epoche con una dimensione delle immagini di 640, usa i seguenti frammenti di codice. Consulta la guida all'addestramento del modello per un elenco completo degli argomenti disponibili ed esplora i suggerimenti per l'addestramento del modello per le best practice.

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 ed esempi di annotazioni#

Di seguito è riportata un'immagine di esempio del dataset di segmentazione dei componenti automobilistici con le relative maschere di segmentazione degli oggetti sovrapposte, che mostra come i singoli componenti automobilistici siano delineati ed etichettati:

Il dataset comprende località, condizioni di illuminazione e densità degli oggetti diverse, offrendo ai modelli addestrati su di esso un'esposizione alla varietà di scene del mondo reale a cui dovranno generalizzare.

Citazioni e ringraziamenti#

Se utilizzi il dataset di segmentazione dei componenti automobilistici 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.

FAQ#