Carparts 세그먼테이션 데이터셋#

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

Ultralytics Carparts 세그먼테이션 데이터셋은 범퍼, 도어, 조명, 미러, 후드, 트렁크 등을 포함한 23개 자동차 부품 클래스의 어노테이션 이미지 3,833개를 제공합니다. 자동차 컴퓨터 비전 작업에서 인스턴스 세그먼테이션 모델을 학습하는 데 사용할 수 있습니다. 여러 관점에서 촬영하고 픽셀 단위 마스크로 어노테이션한 이 데이터셋은 자동차 품질 관리와 수리부터 보험 청구 손상 평가 및 자율주행차 인식까지 다양한 사용 사례에서 Ultralytics YOLO와 바로 함께 사용할 수 있습니다.

데이터셋 구조#

Carparts 세그먼테이션 데이터셋의 이미지 3,833개는 다음과 같이 분할됩니다.

• 학습 세트: 딥러닝 모델을 학습하는 데 사용하는 이미지 3,156개입니다.
• 검증 세트: 학습 중 하이퍼파라미터를 조정하고 검증 데이터에 대한 과적합을 방지하는 데 사용하는 이미지 401개입니다.
• 테스트 세트: 학습 후 보류된 테스트 데이터에서 모델을 평가하는 데 사용하는 이미지 276개입니다.
• 클래스: 총 23개입니다. 이름이 지정된 자동차 부품 카테고리 22개(범퍼, 도어, 조명, 유리, 미러, 후드, 테일게이트, 트렁크, 바퀴)와 해당 카테고리에 포함되지 않는 부품을 위한 포괄 클래스 object로 구성됩니다.
• 다운로드 크기: ~133 MB입니다.

응용 분야#

Carparts 세그먼테이션은 다음을 비롯한 다양한 분야에서 활용됩니다.

• 자동차 품질 관리: 제조 과정에서 자동차 부품의 결함이나 불일치를 식별합니다(제조 분야의 AI).
• 자동차 수리: 정비사가 수리 또는 교체할 부품을 식별하도록 지원합니다.
• 전자상거래 카탈로그 관리: 온라인 스토어에서 자동차 부품에 태그를 지정하고 분류하는 작업을 자동화하여 전자상거래 플랫폼을 지원합니다.
• 교통 모니터링: 교통 감시 영상에서 차량 구성 요소를 분석합니다.
• 자율주행차: 자율주행차의 인식 시스템을 개선하여 주변 차량을 더 정확하게 파악하도록 합니다.
• 보험 처리: 보험 청구 과정에서 손상된 자동차 부품을 식별해 손상 평가를 자동화합니다.
• 재활용: 효율적인 재활용 공정을 위해 차량 구성 요소를 분류합니다.
• 스마트 시티 이니셔티브: 스마트 시티의 도시 계획 및 교통 관리 시스템에 필요한 데이터를 제공합니다.

전체 Carparts 세그먼테이션 데이터셋은 Ultralytics Platform에서 살펴보고 관리할 수도 있습니다.

데이터셋 YAML#

YAML 파일은 경로, 클래스 이름 및 기타 필수 세부 정보를 포함한 데이터셋 구성을 정의합니다. Carparts 세그먼테이션 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 알아보십시오.

# 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

사용법#

Carparts 세그먼테이션 데이터셋으로 Ultralytics YOLO26 모델을 100 에폭 동안 이미지 크기 640으로 학습하려면 다음 코드 조각을 사용하십시오. 사용할 수 있는 인수 전체 목록은 모델 학습 가이드를 참조하고, 모범 사례는 모델 학습 팁에서 확인하십시오.

from ultralytics import YOLO

# YOLO26n-seg와 같은 사전 학습된 세그먼테이션 모델을 불러옵니다
model = YOLO("yolo26n-seg.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# Carparts 세그먼테이션 데이터셋으로 모델을 학습합니다
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# 학습 후 검증 세트에서 모델 성능을 검증할 수 있습니다
results = model.val()

# 또는 새 이미지나 동영상에 대해 예측을 수행합니다
results = model.predict("path/to/your/image.jpg")

샘플 데이터 및 어노테이션#

아래는 객체 세그먼테이션 마스크를 오버레이한 Carparts 세그먼테이션 데이터셋의 예시 이미지입니다. 개별 자동차 부품의 윤곽과 라벨을 확인할 수 있습니다.

이 데이터셋에는 다양한 위치, 조명 조건, 객체 밀도의 이미지가 포함되어 있어, 데이터셋으로 학습한 모델은 일반화가 필요한 다양한 실제 장면을 경험할 수 있습니다.

인용 및 감사의 글#

연구 또는 개발에 Carparts 세그먼테이션 데이터셋을 사용하는 경우, 원본 출처를 인용하십시오.

@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 },
}

컴퓨터 비전 커뮤니티를 위해 이 유용한 데이터셋을 만들고 유지 관리한 Gianmarco Russo와 Roboflow 팀의 기여에 감사드립니다. 더 많은 데이터셋은 Ultralytics 데이터셋 컬렉션에서 확인하십시오.

자주 묻는 질문#