Датасет сегментации деталей автомобилей#

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

Датасет сегментации деталей автомобилей Ultralytics содержит 3 833 размеченных изображения с 23 классами деталей — включая бамперы, двери, фары, зеркала, капот и багажник — для обучения моделей сегментации экземпляров задачам компьютерного зрения в автомобильной отрасли. Изображения сняты с разных ракурсов и размечены масками на уровне пикселей, поэтому датасет напрямую подходит для Ultralytics YOLO и таких сценариев использования, как контроль качества автомобилей, авторемонт, оценка ущерба по страховым случаям и восприятие окружающей обстановки беспилотными автомобилями.

Структура датасета#

Датасет сегментации деталей автомобилей содержит 3 833 изображения, распределённых следующим образом:

• Обучающая выборка: 3 156 изображений, используемых 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, используемых для оценки модели на отложенных тестовых данных после обучения.
• Классы: всего 23 — 22 именованные категории деталей автомобилей (бамперы, двери, фары, стёкла, зеркала, капот, дверь багажника, багажник и колёса), а также универсальный класс object для деталей, не относящихся к этим категориям.
• Размер загрузки: ~133 МБ.

Применения#

Датасет сегментации деталей автомобилей используется в различных областях, включая:

• Контроль качества автомобилей: выявление дефектов или несоответствий в деталях автомобилей во время производства (ИИ в производстве).
• Авторемонт: помощь механикам в определении деталей, требующих ремонта или замены.
• Каталогизация для электронной коммерции: автоматическая маркировка и категоризация деталей автомобилей в интернет-магазинах и на платформах электронной коммерции.
• Мониторинг дорожного движения: анализ компонентов автомобилей на записях с камер наблюдения за дорожным движением.
• Беспилотные автомобили: улучшение систем восприятия самоуправляемых автомобилей для более точного понимания окружающих транспортных средств.
• Обработка страховых случаев: автоматизация оценки ущерба за счёт выявления повреждённых деталей автомобилей при рассмотрении страховых заявлений.
• Переработка: сортировка компонентов автомобилей для эффективной переработки.
• Инициативы умного города: предоставление данных для систем городского планирования и управления дорожным движением в умных городах.

Полный датасет сегментации деталей автомобилей также можно просматривать и управлять им на платформе Ultralytics.

YAML датасета#

Файл YAML определяет конфигурацию датасета, включая пути, имена классов и другие важные параметры. Для датасета сегментации деталей автомобилей 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 датасете сегментации деталей автомобилей в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Обратись к руководству по обучению модели, чтобы ознакомиться с полным списком доступных аргументов, и изучи рекомендации по обучению моделей, чтобы узнать о лучших практиках.

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")

Примеры данных и аннотаций#

Ниже приведён пример изображения из датасета сегментации деталей автомобилей с наложенными масками сегментации объектов, показывающий, как отдельные детали автомобиля выделяются и получают метки:

Датасет охватывает различные места съёмки, условия освещения и плотность объектов, благодаря чему обученные на нём модели знакомятся с разнообразием реальных сцен, на которых им потребуется обобщать результаты.

Цитирование и благодарности#

Если ты используешь датасет сегментации деталей автомобилей в своих исследованиях или разработках, укажи первоисточник:

@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 },
}

Мы благодарим Gianmarco Russo и команду Roboflow за создание и поддержку этого ценного датасета для сообщества компьютерного зрения. Чтобы найти больше датасетов, посети коллекцию датасетов Ultralytics.

Часто задаваемые вопросы#