Conjunto de Dados de Segmentação de Peças Automotivas#

3,833

Carparts-Seg

ultralytics

publicSegment

Official Ultralytics Carparts-Seg instance segmentation dataset sourced from Gianmarco Russo, with 3,833 automotive images, 3,698 labeled images, 135 background images, and 20,374 polygon instances across 23 car-part classes. Includes 3,156 train, 401 validation, and 276 test images.

23 classes247.1 MBAug 21, 2026

back_bumperback_doorback_glassback_left_door+19

instance-segmentationautomotivecar-parts+1

O Ultralytics Carparts Segmentation Dataset fornece 3.833 imagens anotadas em 23 classes de peças de carros — incluindo para-choques, portas, luzes, espelhos, capô e porta-malas — para treinar modelos de instance segmentation em tarefas de computer vision automotiva. Capturado de múltiplas perspectivas e anotado com máscaras de nível de pixel, ele se integra diretamente ao Ultralytics YOLO para casos de uso que vão desde controle de qualidade automotivo e conserto de carros até avaliação de danos para sinistros de seguros e percepção de veículos autônomos.

Estrutura do Dataset#

O Carparts Segmentation Dataset divide suas 3.833 imagens da seguinte forma:

• Training set: 3.156 imagens usadas para training do deep learning model.
• Validation set: 401 imagens usadas durante o treinamento para ajustar hyperparameters e evitar overfitting em validation data.
• Testing set: 276 imagens usadas para avaliar o modelo em test data separado após o treinamento.
• Classes: 23 no total — 22 categorias nomeadas de peças de carros (para-choques, portas, luzes, vidros, espelhos, capô, tampa traseira, porta-malas e rodas) mais uma classe coringa object para peças fora dessas categorias.
• Tamanho do download: ~133 MB.

Aplicações#

A segmentação de peças automotivas encontra aplicações em vários domínios, incluindo:

• Automotive Quality Control: Identificação de defeitos ou inconsistências em peças de carros durante a fabricação (AI in Manufacturing).
• Reparação Automotiva: Auxiliar mecânicos a identificar peças para reparação ou substituição.
• E-commerce Cataloging: Marcação e categorização automática de peças de carros em lojas online para plataformas de e-commerce.
• Monitorização de Tráfego: Análise de componentes de veículos em filmagens de vigilância de tráfego.
• Autonomous Vehicles: Aprimoramento dos sistemas de percepção de self-driving cars para compreender melhor os veículos ao redor.
• Processamento de Seguros: Automatização da avaliação de danos através da identificação de peças de automóveis afetadas durante pedidos de indemnização.
• Reciclagem: Triagem de componentes de veículos para processos de reciclagem eficientes.
• Smart City Initiatives: Contribuição de dados para planejamento urbano e sistemas de gerenciamento de tráfego em Smart Cities.

O Carparts Segmentation Dataset completo também pode ser navegado e gerenciado na Ultralytics Platform.

YAML do Dataset#

Um arquivo YAML define a configuração do dataset, incluindo caminhos, nomes de classes e outros detalhes essenciais. Para o dataset Carparts Segmentation, o arquivo carparts-seg.yaml está disponível em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Podes saber mais sobre o formato YAML em 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

Uso#

Para treinar um modelo Ultralytics YOLO26 no dataset Carparts Segmentation por 100 epochs com um tamanho de imagem de 640, usa os seguintes trechos de código. Consulta o Training guide do modelo para ver uma lista abrangente de argumentos disponíveis e explora as model training tips para melhores práticas.

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")

Dados de Amostra e Anotações#

Abaixo está uma imagem de exemplo do Carparts Segmentation Dataset com suas máscaras de object segmentation sobrepostas, mostrando como as peças individuais dos carros são delineadas e rotuladas:

O dataset abrange locais variados, condições de iluminação e densidades de objetos, proporcionando aos modelos treinados nele exposição à variedade de cenas do mundo real que precisarão generalizar.

Citações e Agradecimentos#

Se utilizares o conjunto de dados de Segmentação de Peças Automotivas nos teus esforços de investigação ou desenvolvimento, por favor cita a fonte original:

@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 },
}

Reconhecemos a contribuição de Gianmarco Russo e da equipe do Roboflow na criação e manutenção deste valioso dataset para a comunidade de computer vision. Para mais datasets, visita a Ultralytics Datasets collection.

FAQ#