Conjunto de Dados de Segmentação de Peças de Automóveis#

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

O Ultralytics Carparts Segmentation Dataset fornece 3.833 imagens anotadas em 23 classes de peças de automóveis — incluindo para-choques, portas, luzes, espelhos, capô e porta-malas — para treinar modelos de segmentação de instâncias em tarefas de visão computacional automotiva. Capturadas de várias perspetivas e anotadas com máscaras ao nível dos píxeis, estas imagens integram-se diretamente com o Ultralytics YOLO em casos de utilização que vão desde o controlo de qualidade automotivo e a reparação de automóveis até à avaliação de danos para sinistros e à perceção de veículos autónomos.

Estrutura do Conjunto de Dados#

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

• Conjunto de treino: 3.156 imagens utilizadas para treinar o modelo de deep learning.
• Conjunto de validação: 401 imagens utilizadas durante o treino para ajustar os hiperparâmetros e evitar o sobreajuste aos dados de validação.
• Conjunto de teste: 276 imagens utilizadas para avaliar o modelo em dados de teste reservados após o treino.
• Classes: 23 no total — 22 categorias identificadas de peças de automóveis (para-choques, portas, luzes, vidros, espelhos, capô, tampa traseira, porta-malas e rodas), além de uma classe genérica object para peças fora dessas categorias.
• Tamanho do download: ~133 MB.

Aplicações#

O Carparts Segmentation encontra aplicações em vários domínios, incluindo:

• Controlo de Qualidade Automotivo: Identificação de defeitos ou inconsistências em peças de automóveis durante o fabrico (IA na Indústria).
• Reparação de Automóveis: Auxílio aos mecânicos na identificação de peças para reparação ou substituição.
• Catalogação para E-commerce: Etiquetagem e categorização automáticas de peças de automóveis em lojas online para plataformas de e-commerce.
• Monitorização do Tráfego: Análise de componentes de veículos em imagens de videovigilância do trânsito.
• Veículos Autónomos: Melhoria dos sistemas de perceção de veículos autónomos para compreender melhor os veículos circundantes.
• Processamento de Seguros: Automatização da avaliação de danos através da identificação das peças de automóveis afetadas durante a participação de sinistros.
• Reciclagem: Triagem de componentes de veículos para processos de reciclagem eficientes.
• Iniciativas de Cidades Inteligentes: Contribuição de dados para sistemas de planeamento urbano e gestão do tráfego no âmbito das Cidades Inteligentes.

O Carparts Segmentation Dataset completo também pode ser consultado e gerido na Ultralytics Platform.

YAML do Conjunto de Dados#

Um ficheiro YAML define a configuração do conjunto de dados, incluindo caminhos, nomes de classes e outros detalhes essenciais. Para o conjunto de dados Carparts Segmentation, o ficheiro 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

Utilização#

Para treinar um modelo Ultralytics YOLO26 no conjunto de dados Carparts Segmentation durante 100 épocas, com um tamanho de imagem de 640, utiliza os seguintes trechos de código. Consulta o guia de treino do modelo para obter uma lista completa dos argumentos disponíveis e explora as dicas de treino do modelo para conhecer as boas 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 e anotações de exemplo#

Abaixo encontra-se uma imagem de exemplo do Carparts Segmentation Dataset com as suas máscaras de [segmentação de objetos](https://ultralytics-translation-0.invalid sobrepostas, mostrando como as peças individuais do automóvel são delineadas e identificadas:

O conjunto de dados abrange várias localizações, condições de iluminação e densidades de objetos, proporcionando aos modelos treinados com ele exposição à variedade de cenas do mundo real com que terão de generalizar.

Citações e agradecimentos#

Se utilizares o conjunto de dados Carparts Segmentation nos teus trabalhos de investigação ou 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 equipa da Roboflow na criação e manutenção deste valioso conjunto de dados para a comunidade de visão computacional. Para consultar mais conjuntos de dados, visita a coleção de conjuntos de dados da Ultralytics.

Perguntas frequentes#