Conjunto de dados de segmentação Carparts
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.
Assista: Como segmentar peças de automóveis com a plataforma Ultralytics | Treinamento, implantação e inferência | Ultralytics YOLO26 🚀
Estrutura do conjunto de dados#
O conjunto de dados de segmentação Carparts divide as 3.833 imagens da seguinte forma:
- Conjunto de treino: 3.156 imagens usadas como dados de treino para o modelo de aprendizagem profunda.
- 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
objectpara 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 de comércio eletrónico: etiquetar e categorizar automaticamente peças de automóveis em lojas online.
- 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: contribuir com dados para o planeamento 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.zipUso#
Para treinar um modelo Ultralytics YOLO26n-seg no conjunto de dados Carparts Segmentation durante 100 épocas, com tamanho de imagem 640, utiliza os seguintes exemplos de código.
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 Carparts Segmentation nos teus esforços 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 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#
O conjunto de dados de segmentação Carparts é uma coleção selecionada de 3.833 imagens anotadas em 23 classes de peças automotivas — para-choques, portas, luzes, retrovisores, capô, porta-malas e outras — para treinar e avaliar modelos de segmentação de instâncias. Ele foi desenvolvido para aplicações de visão computacional no setor automotivo, como controle de qualidade, reparo de veículos e avaliação de danos, e pode ser usado diretamente com o YOLO26 da Ultralytics por meio do arquivo de configuração
carparts-seg.yaml.O conjunto de dados tem 3.833 imagens no total — 3.156 para treino, 401 para validação e 276 para teste — distribuídas em 23 classes: 22 categorias nomeadas de peças automotivas e uma classe genérica
objectpara peças que não pertencem a elas. O arquivo completo, com cerca de ~133 MB, é baixado automaticamente na primeira utilização como.zip.Carrega um modelo de segmentação pré-treinado (por exemplo,
yolo26n-seg.pt) e treina-o usando a configuraçãocarparts-seg.yamlcom os trechos de Python ou CLI na seção Uso acima. Consulta o guia de treino para ver a lista completa de argumentos disponíveis.A segmentação Carparts é útil para controle de qualidade automotivo, reparo de veículos, catalogação para comércio eletrônico, monitoramento de tráfego, percepção de veículos autônomos, avaliação de danos para seguros, reciclagem e iniciativas de cidades inteligentes — consulta a seção Aplicações acima para saber mais sobre cada caso de uso.
O arquivo de configuração do conjunto de dados,
carparts-seg.yaml, que contém informações sobre os caminhos e as classes do conjunto de dados, está no repositório GitHub da Ultralytics: carparts-seg.yaml.O conjunto de dados fornece anotações ao nível dos píxeis para desenvolver modelos de segmentação precisos para aplicações automóveis. A sua diversidade melhora a robustez dos modelos em cenários reais, como inspeções automatizadas de veículos, sistemas de segurança automóvel e condução autónoma.
Comentários2
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
SHAHFAISAL80
hi how i test this vehicle parts for any random dataset
Glenn JocherUltralytics(editado)@SHAHFAISAL80 to test vehicle parts segmentation on any random dataset, you can modify the dataset configuration file (YAML) to point to your dataset's paths and classes. Then, use the following command to train the model:
yolo segment train data=your_dataset.yaml model=yolo26n-seg.pt epochs=100 imgsz=640For more details, visit the Ultralytics documentation.



