Carparts 세그멘테이션 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.

23 classes247.1 MBSep 2, 2026

back_bumperback_doorback_glassback_left_door+19

instance-segmentationautomotivecar-parts+1

Ultralytics Carparts 세그멘테이션 데이터셋은 23개의 자동차 부품 클래스에 걸쳐 범퍼, 도어, 라이트, 미러, 후드, 트렁크 등을 포함한 주석 이미지 3,833장을 제공하며, 자동차 컴퓨터 비전 작업에서 인스턴스 세그멘테이션 모델을 학습하는 데 사용됩니다. 여러 관점에서 촬영하고 픽셀 수준의 마스크로 주석 처리한 이 데이터셋은 Ultralytics YOLO와 바로 연동되며, 자동차 품질 관리와 차량 수리부터 보험 청구 손상 평가 및 자율주행 차량 인식에 이르는 다양한 사용 사례를 지원합니다.

데이터셋 구조#

Carparts 세그멘테이션 데이터셋은 3,833장의 이미지를 다음과 같이 분할합니다.

• 학습 세트: 딥러닝 모델을 학습하는 데 사용되는 이미지 3,156장입니다.
• 검증 세트: 학습 중 하이퍼파라미터를 조정하고 검증 데이터의 과적합을 방지하는 데 사용되는 이미지 401장입니다.
• 테스트 세트: 학습 후 별도로 보관된 테스트 데이터에서 모델을 평가하는 데 사용되는 이미지 276장입니다.
• 클래스: 총 23개입니다. 22개의 명명된 자동차 부품 범주(범퍼, 도어, 라이트, 유리, 미러, 후드, 테일게이트, 트렁크, 휠)와 해당 범주에 속하지 않는 부품을 위한 포괄적 object 클래스 1개로 구성됩니다.
• 다운로드 크기: ~133MB입니다.

응용 분야#

Carparts 세그멘테이션은 다음을 비롯한 다양한 분야에 활용됩니다.

• 자동차 품질 관리: 제조 중 자동차 부품의 결함이나 불일치를 식별합니다(제조 분야의 AI).
• 차량 수리: 수리 또는 교체가 필요한 부품을 정비사가 식별하도록 지원합니다.
• 이커머스 카탈로그화: 온라인 스토어에서 이커머스 플랫폼을 위한 자동차 부품의 태그 지정 및 분류를 자동화합니다(e-commerce).
• 교통 모니터링: 교통 감시 영상에서 차량 구성 요소를 분석합니다.
• 자율주행 차량: 주변 차량을 더 잘 이해할 수 있도록 자율주행 자동차의 인식 시스템을 향상합니다.
• 보험 처리: 보험 청구 중 영향을 받은 자동차 부품을 식별하여 손상 평가를 자동화합니다.
• 재활용: 효율적인 재활용 프로세스를 위해 차량 구성 요소를 분류합니다.
• 스마트 시티 이니셔티브: 스마트 시티의 도시 계획 및 교통 관리 시스템에 데이터를 제공합니다.

전체 Carparts 세그멘테이션 데이터셋은 Ultralytics Platform에서도 탐색하고 관리할 수 있습니다.

데이터셋 YAML#

YAML 파일은 경로, 클래스 이름 및 기타 필수 세부 정보를 포함한 데이터셋 구성을 정의합니다. Carparts 세그멘테이션 데이터셋의 경우 carparts-seg.yaml 파일을 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml에서 사용할 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

사용법#

이미지 크기 640으로 100 에포크 동안 Carparts 세그멘테이션 데이터셋에서 Ultralytics YOLO26 모델을 학습하려면 다음 코드 스니펫을 사용합니다. 사용 가능한 인자의 전체 목록은 모델 학습 가이드를 참조하고, 모범 사례는 모델 학습 팁을 확인하세요.

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")

샘플 데이터 및 어노테이션#

다음은 Carparts 세그멘테이션 데이터셋의 샘플 이미지에 객체 세그멘테이션 마스크를 오버레이한 예시로, 개별 자동차 부품이 어떻게 윤곽선으로 표시되고 레이블링되는지 보여줍니다.

이 데이터셋은 다양한 위치, 조명 조건 및 객체 밀도를 포함하므로, 이를 사용해 학습한 모델은 실제 환경에서 일반화해야 하는 다양한 장면을 경험할 수 있습니다.

인용 및 감사의 글#

연구 또는 개발 작업에서 Carparts 세그멘테이션 데이터셋을 사용하는 경우, 원본 출처를 인용해 주세요.

@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 가치 있는 데이터셋을 제작하고 유지 관리한 Gianmarco Russo와 Roboflow 팀의 기여에 감사드립니다. 더 많은 데이터셋은 Ultralytics 데이터셋 컬렉션에서 확인하세요.

FAQ#