Conjunto de dados de segmentação Carparts#

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

O conjunto de dados de segmentação Carparts da Ultralytics oferece 3.833 imagens anotadas em 23 classes de peças automotivas — incluindo para-choques, portas, luzes, retrovisores, capô e porta-malas — para treinar modelos de segmentação de instâncias em tarefas de visão computacional do setor automotivo. Capturado de várias perspectivas e anotado com máscaras em nível de pixel, o conjunto funciona diretamente com o Ultralytics YOLO em casos de uso que vão do controle de qualidade automotivo e reparo de veículos à avaliação de danos em sinistros de seguros e à percepção de veículos autônomos.

Estrutura do conjunto de dados#

O conjunto de dados de segmentação Carparts divide as 3.833 imagens da seguinte forma:

• Conjunto de treinamento: 3.156 imagens usadas para treinar, por meio de técnicas de aprendizado profundo, o modelo.
• Conjunto de validação: 401 imagens usadas durante o treino para ajustar hiperparâmetros e evitar sobreajuste nos dados de validação.
• Conjunto de teste: 276 imagens usadas para avaliar o modelo com dados de teste reservados após o treino.
• Classes: 23 no total — 22 categorias nomeadas de peças automotivas (para-choques, portas, luzes, vidros, retrovisores, capô, tampa traseira, porta-malas e rodas), além de uma classe genérica object para peças que não pertencem a essas categorias.
• Tamanho do download: ~133 MB.

Aplicações#

O conjunto de dados de segmentação Carparts tem aplicações em vários domínios, incluindo:

• Controle de qualidade automotivo: identificação de defeitos ou inconsistências em peças automotivas durante a fabricação (IA na indústria).
• Reparo automotivo: ajuda os mecânicos a identificar peças que precisam de reparo ou substituição.
• Catalogação para comércio eletrônico: marcação e categorização automática de peças automotivas em lojas virtuais para plataformas de comércio eletrônico.
• Monitoramento de tráfego: análise de componentes de veículos em gravações de vigilância do trânsito.
• Veículos autônomos: aprimoramento dos sistemas de percepção de carros autônomos para que compreendam melhor os veículos ao redor.
• Processamento de seguros: automatização da avaliação de danos por meio da identificação das peças automotivas afetadas em sinistros.
• Reciclagem: triagem de componentes de veículos para tornar os processos de reciclagem mais eficientes.
• Iniciativas de cidades inteligentes: fornecimento de dados para o planejamento urbano e sistemas de gestão de tráfego em cidades inteligentes.

Também podes explorar e gerenciar o conjunto completo de dados de segmentação Carparts na Ultralytics Platform.

YAML do conjunto de dados#

Um arquivo YAML define a configuração do conjunto de dados, incluindo caminhos, nomes de classes e outros detalhes essenciais. Para o conjunto de dados de segmentação Carparts, 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 conjunto de dados de segmentação Carparts por 100 épocas, com tamanho de imagem 640, usa os seguintes trechos de código. Consulta o guia de treino do modelo para ver a lista completa de argumentos disponíveis e explora as dicas de treino de modelos para conhecer as práticas recomendadas.

from ultralytics import YOLO

# Carrega um modelo de segmentação pré-treinado, como YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treina o modelo no conjunto de dados de segmentação Carparts
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Após o treino, podes validar o desempenho do modelo no conjunto de validação
results = model.val()

# Ou faz previsões em novas imagens ou vídeos
results = model.predict("path/to/your/image.jpg")

Dados de exemplo e anotações#

Abaixo está uma imagem de exemplo do conjunto de dados de segmentação de peças automotivas com as máscaras de segmentação de objetos sobrepostas, mostrando como cada peça do carro é contornada e rotulada:

O conjunto de dados abrange diferentes locais, condições de iluminação e densidades de objetos, expondo os modelos treinados a uma variedade de cenas do mundo real às quais precisarão generalizar.

Citações e agradecimentos#

Se usares o conjunto de dados de segmentação Carparts em pesquisas ou projetos de desenvolvimento, 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 },
}

Agradecemos a contribuição de Gianmarco Russo e da equipe Roboflow na criação e manutenção deste valioso conjunto de dados para a comunidade de visão computacional. Para encontrar mais conjuntos de dados, visita a coleção de conjuntos de dados da Ultralytics.

Perguntas frequentes#