Link to this sectionConjunto de Dados de Segmentação de Peças Automotivas#

O Ultralytics Carparts Segmentation Dataset disponibiliza 3.833 imagens anotadas em 23 classes de peças automotivas — incluindo para-choques, portas, luzes, espelhos, capô e porta-malas — para o treinamento de modelos de instance segmentation em tarefas de computer vision automotiva. Capturado de múltiplas perspectivas e annotated com máscaras de nível de pixel, ele é compatível diretamente com Ultralytics YOLO para casos de uso que variam desde controle de qualidade automotivo e reparo de veículos até a avaliação de danos para sinistros de seguros e percepção para veículos autônomos.

Link to this sectionEstrutura do Dataset#

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

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

Link to this sectionAplicações#

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

• Automotive Quality Control: Identificação de defeitos ou inconsistências em peças de automóveis durante o fabrico (AI in Manufacturing).
• Reparação Automotiva: Auxiliar mecânicos a identificar peças para reparação ou substituição.
• Catalogação de E-commerce: Etiquetagem e categorização automática de peças de automóveis em lojas online para plataformas de e-commerce.
• Monitorização de Tráfego: Análise de componentes de veículos em filmagens de vigilância de tráfego.
• Veículos Autónomos: Melhoria dos sistemas de perceção de carros autoconduzidos para compreender melhor os veículos circundantes.
• 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.
• Iniciativas de Cidades Inteligentes: Contribuição de dados para o planeamento urbano e sistemas de gestão de tráfego dentro de Cidades Inteligentes.

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

Link to this sectionYAML do Dataset#

Um arquivo YAML define a configuração do dataset, incluindo caminhos, nomes de classes e outros detalhes essenciais. Para o dataset de segmentação Carparts, o arquivo carparts-seg.yaml está disponível em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Você pode aprender 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

Link to this sectionUso#

Para treinar um modelo Ultralytics YOLO26 no conjunto de dados Carparts Segmentation durante 100 epochs com um tamanho de imagem de 640, utiliza os seguintes fragmentos de código. Consulta o Training guide do modelo para obter uma lista abrangente de argumentos disponíveis e explora as model training tips para conhecer as 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")

Link to this sectionDados de Amostra e Anotações#

Abaixo está um exemplo de imagem do Carparts Segmentation Dataset com suas máscaras de object segmentation sobrepostas, mostrando como partes individuais do carro são contornadas 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.

Link to this sectionCitações 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 equipa Roboflow na criação e manutenção deste valioso conjunto de dados para a comunidade de computer vision. Para mais conjuntos de dados, visita a Ultralytics Datasets collection.

Link to this sectionFAQ#

Link to this sectionO que é o Carparts Segmentation Dataset e como ele é usado no Ultralytics YOLO26?#

O Carparts Segmentation Dataset é uma coleção curada de 3.833 imagens anotadas abrangendo 23 classes de peças automotivas — para-choques, portas, luzes, espelhos, capô, porta-malas e mais — para treinamento e avaliação de modelos de instance segmentation. Ele foi criado para aplicações de computer vision automotiva, como controle de qualidade, reparo automotivo e avaliação de danos, e é usado diretamente com o Ultralytics YOLO26 através do arquivo de configuração carparts-seg.yaml.

Link to this sectionQuantas imagens e classes o Carparts Segmentation Dataset contém?#

O dataset totaliza 3.833 imagens — 3.156 para treinamento, 401 para validação e 276 para teste — em 23 classes: 22 categorias nomeadas de peças automotivas além de uma classe geral object para peças fora dessas. O arquivo completo é baixado automaticamente como um .zip de ~133 MB no primeiro uso.

Link to this sectionComo posso treinar um modelo Ultralytics YOLO26 no Carparts Segmentation Dataset?#

Carregue um modelo de segmentação pré-treinado (por exemplo, yolo26n-seg.pt) e treine-o com a configuração carparts-seg.yaml usando os snippets de Python ou CLI na seção Usage acima. Consulte o Training guide para a lista completa de argumentos disponíveis.

Link to this sectionQuais são algumas aplicações do Carparts Segmentation Dataset?#

A segmentação de peças automotivas apoia o controle de qualidade automotivo, reparo automotivo, catalogação de e-commerce, monitoramento de tráfego, percepção de veículos autônomos, avaliação de danos para seguros, reciclagem e iniciativas de cidades inteligentes — veja a seção Applications acima para detalhes sobre cada caso de uso.

Link to this sectionOnde posso encontrar o ficheiro de configuração do conjunto de dados para a Segmentação de Peças Automotivas?#

O ficheiro de configuração do conjunto de dados, carparts-seg.yaml, que contém detalhes sobre os caminhos e classes do conjunto de dados, está localizado no repositório GitHub da Ultralytics: carparts-seg.yaml.

Link to this sectionPor que devo usar o Conjunto de Dados de Segmentação de Peças Automotivas?#

Este conjunto de dados oferece dados ricos e anotados, cruciais para o desenvolvimento de segmentation models precisos para aplicações automóveis. A sua diversidade ajuda a melhorar a robustez e o desempenho do modelo em cenários do mundo real, como a inspeção automatizada de veículos, melhorando os sistemas de segurança e apoiando a tecnologia de condução autónoma. A utilização de conjuntos de dados de alta qualidade e específicos do domínio como este acelera o desenvolvimento de IA.