Link to this sectionCarparts Segmentation Dataset#

The Ultralytics Carparts Segmentation Dataset provides 3,833 annotated images across 23 car-part classes — including bumpers, doors, lights, mirrors, hood, and trunk — for training instance segmentation models on automotive computer vision tasks. Captured from multiple perspectives and annotated with pixel-level masks, it pairs directly with Ultralytics YOLO for use cases ranging from automotive quality control and auto repair to insurance-claim damage assessment and autonomous-vehicle perception.

Link to this section데이터셋 구조#

Carparts Segmentation 데이터셋은 총 3,833개의 이미지를 다음과 같이 분류합니다:

• Training set: 3,156 images used for training the deep learning model.
• Validation set: 401 images used during training to tune hyperparameters and prevent overfitting on validation data.
• Testing set: 학습 후 모델을 평가하기 위해 별도로 보관된 test data에서 사용하는 276개의 이미지입니다.
• Classes: 총 23개로, 22개의 명명된 자동차 부품 카테고리(범퍼, 도어, 조명, 유리, 미러, 후드, 테일게이트, 트렁크, 휠)와 해당 카테고리 외의 부품을 위한 포괄적인 object 클래스로 구성됩니다.
• Download size: ~133 MB.

Link to this section응용 분야#

Carparts Segmentation은 다음을 포함한 다양한 도메인에서 응용됩니다:

• 자동차 품질 관리: 제조 과정에서 자동차 부품의 결함이나 불일치 식별 (제조 분야 AI).
• 자동차 수리: 정비사가 수리 또는 교체가 필요한 부품을 식별하도록 지원.
• 전자상거래 카탈로그: 전자상거래 플랫폼용 온라인 스토어에서 자동차 부품을 자동으로 태깅하고 분류.
• 교통 모니터링: 교통 감시 영상에서 차량 구성 요소 분석.
• 자율 주행 차량: 자율 주행 자동차의 인식 시스템을 향상시켜 주변 차량을 더 잘 이해하도록 지원.
• 보험 처리: 보험 청구 시 영향을 받은 자동차 부품을 식별하여 손상 평가 자동화.
• 재활용: 효율적인 재활용 프로세스를 위해 차량 구성 요소를 분류.
• 스마트 시티 이니셔티브: 스마트 시티 내 도시 계획 및 교통 관리 시스템을 위한 데이터 기여.

전체 Carparts Segmentation 데이터셋은 Ultralytics Platform에서 탐색하고 관리할 수도 있습니다.

Link to this section데이터셋 YAML#

YAML 파일은 경로, 클래스 이름 및 기타 필수 세부 정보를 포함한 데이터셋 구성을 정의합니다. Carparts Segmentation 데이터셋의 경우, carparts-seg.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml에서 확인할 수 있습니다. YAML 형식에 대한 자세한 내용은 yaml.org에서 확인할 수 있습니다.

# 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 section사용법#

To train an Ultralytics YOLO26 model on the Carparts Segmentation dataset for 100 epochs with an image size of 640, use the following code snippets. Refer to the model Training guide for a comprehensive list of available arguments and explore model training tips for best practices.

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 section샘플 데이터 및 주석#

아래는 Carparts Segmentation 데이터셋의 예시 이미지로, object segmentation 마스크가 덧씌워져 개별 자동차 부품이 어떻게 윤곽선으로 표시되고 라벨링되는지 보여줍니다:

이 데이터셋은 다양한 위치, 조명 조건 및 객체 밀도를 포함하고 있어, 이를 학습한 모델은 일반화해야 하는 광범위한 실제 환경을 경험할 수 있습니다.

Link to this section인용 및 감사의 글#

연구 또는 개발 활동에 Carparts Segmentation 데이터셋을 사용하는 경우, 원본 출처를 인용해 주십시오:

@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 },
}

computer vision 커뮤니티를 위해 이 귀중한 데이터셋을 만들고 유지 관리해 준 Gianmarco Russo와 Roboflow 팀의 기여에 감사드립니다. 더 많은 데이터셋을 보려면 Ultralytics Datasets collection을 방문하십시오.

Link to this sectionFAQ#

Link to this sectionCarparts Segmentation 데이터셋은 무엇이며 Ultralytics YOLO26에서는 어떻게 사용됩니까?#

The Carparts Segmentation Dataset is a curated collection of 3,833 annotated images spanning 23 car-part classes — bumpers, doors, lights, mirrors, hood, trunk, and more — for training and evaluating instance segmentation models. It's built for automotive computer vision applications like quality control, auto repair, and damage assessment, and is used directly with Ultralytics YOLO26 via the carparts-seg.yaml configuration file.

Link to this sectionCarparts Segmentation 데이터셋에는 몇 개의 이미지와 클래스가 포함되어 있습니까?#

이 데이터셋은 총 3,833개의 이미지(학습용 3,156개, 검증용 401개, 테스트용 276개)와 23개의 클래스(22개의 명명된 부품 카테고리 및 해당 범주 외 부품을 위한 object 클래스 포함)로 구성됩니다. 전체 아카이브는 처음 사용할 때 ~133 MB의 .zip 파일로 자동 다운로드됩니다.

Link to this sectionCarparts Segmentation 데이터셋에서 Ultralytics YOLO26 모델을 어떻게 학습시킬 수 있습니까?#

Load a pretrained segmentation model (e.g., yolo26n-seg.pt) and train it with the carparts-seg.yaml configuration using the Python or CLI snippets in the Usage section above. See the Training guide for the full list of available arguments.

Link to this sectionCarparts Segmentation 데이터셋의 애플리케이션에는 어떤 것이 있습니까?#

Carparts Segmentation은 자동차 품질 관리, 자동차 수리, 전자상거래 카탈로그 작성, 교통 모니터링, 자율주행 차량 인식, 보험 손상 평가, 재활용 및 스마트 시티 이니셔티브를 지원합니다. 각 사용 사례에 대한 자세한 내용은 위의 Applications 섹션을 참조하십시오.

Link to this sectionCarparts Segmentation을 위한 데이터셋 구성 파일은 어디에서 찾을 수 있습니까?#

데이터셋 경로와 클래스에 대한 세부 정보를 포함하는 데이터셋 구성 파일 carparts-seg.yaml은 Ultralytics GitHub 저장소인 carparts-seg.yaml에서 찾을 수 있습니다.

Link to this section왜 Carparts Segmentation Dataset을 사용해야 합니까?#

이 데이터셋은 자동차 애플리케이션을 위한 정확한 segmentation models 개발에 중요한 풍부하고 어노테이션된 데이터를 제공합니다. 그 다양성은 자동화된 차량 검사, 안전 시스템 향상 및 자율 주행 기술 지원과 같은 실제 시나리오에서 모델의 견고성과 성능을 개선하는 데 도움이 됩니다. 이와 같이 고품질의 도메인별 데이터셋을 사용하면 AI 개발이 가속화됩니다.