Набор данных сегментации автомобильных деталей#

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

Набор данных сегментации автомобильных деталей Ultralytics содержит 3 833 размеченных изображения 23 классов автомобильных деталей — включая бамперы, двери, фары, зеркала, капот и багажник — для обучения моделей сегментации экземпляров задач автомобильного компьютерного зрения. Изображения сняты с разных ракурсов и размечены масками на уровне пикселей. Набор напрямую совместим с Ultralytics YOLO и подходит для контроля качества в автомобильной промышленности, ремонта автомобилей, оценки ущерба для страховых случаев и восприятия окружающей среды автономными транспортными средствами.

Структура набора данных#

Набор данных сегментации автомобильных деталей состоит из 3 833 изображений, распределенных следующим образом:

• Обучающая выборка: 3 156 изображений для обучения модели глубокого обучения.
• Валидационная выборка: 401 изображение, используемое во время обучения для настройки гиперпараметров и предотвращения переобучения на валидационных данных.
• Тестовая выборка: 276 изображений для оценки модели на отложенных тестовых данных после обучения.
• Классы: всего 23 — 22 именованные категории автомобильных деталей (бамперы, двери, фары, стекла, зеркала, капот, задняя дверь, багажник и колеса), а также класс object для деталей, не входящих в эти категории.
• Размер загрузки: ~133 МБ.

Применение#

Набор данных сегментации автомобильных деталей применяется в разных областях, в том числе:

• Контроль качества в автомобильной промышленности: обнаружение дефектов и несоответствий автомобильных деталей в процессе производства (ИИ в производстве).
• Ремонт автомобилей: помощь механикам в определении деталей, которые нужно отремонтировать или заменить.
• Создание каталогов для электронной торговли: автоматическая маркировка и категоризация автомобильных деталей в интернет-магазинах и на платформах электронной торговли.
• Мониторинг дорожного движения: анализ компонентов транспортных средств на кадрах дорожного видеонаблюдения.
• Автономные транспортные средства: улучшение систем восприятия беспилотных автомобилей, чтобы они лучше распознавали окружающие транспортные средства.
• Обработка страховых случаев: автоматизация оценки ущерба путем определения поврежденных автомобильных деталей при рассмотрении страховых заявлений.
• Переработка: сортировка компонентов транспортных средств для эффективной переработки.
• Инициативы «умного города»: предоставление данных для городского планирования и систем управления дорожным движением в рамках проектов умных городов.

Полную версию набора данных сегментации автомобильных деталей также можно просматривать и администрировать на платформе Ultralytics.

Файл YAML набора данных#

Файл YAML задает конфигурацию набора данных, включая пути, имена классов и другие важные сведения. Для набора данных сегментации автомобильных деталей файл carparts-seg.yaml доступен по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Подробнее о формате YAML можно узнать на сайте 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

Использование#

Чтобы обучить модель Ultralytics YOLO26 на наборе данных сегментации автомобильных деталей в течение 100 эпох с размером изображения 640, используй приведенные ниже фрагменты кода. Полный список доступных аргументов см. в руководстве по обучению, а рекомендации по эффективному обучению — в разделе советы по обучению моделей.

from ultralytics import YOLO

# Загрузи предварительно обученную модель сегментации, например YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучи модель на наборе данных сегментации автомобильных деталей
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# После обучения можно оценить качество модели на валидационной выборке
results = model.val()

# Или запустить предсказание на новых изображениях и видео
results = model.predict("path/to/your/image.jpg")

Примеры данных и аннотаций#

Ниже приведен пример изображения из набора данных сегментации автомобильных деталей с наложенными масками сегментации объектов. На нем показаны контуры и метки отдельных автомобильных деталей:

Набор данных охватывает различные места съемки, условия освещения и плотность объектов, благодаря чему обученные на нем модели знакомятся с многообразием реальных сцен, на которые им предстоит обобщать результаты.

Цитирование и благодарности#

Если ты используешь набор данных сегментации автомобильных деталей в исследованиях или разработке, укажи ссылку на исходный источник:

@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 },
}

Благодарим Джанмарко Руссо и команду Roboflow за создание и поддержку этого ценного набора данных для сообщества компьютерного зрения. Другие наборы данных доступны в коллекции наборов данных Ultralytics.

Часто задаваемые вопросы#