Carparts Segmentasyon Veri Seti#

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

Ultralytics Carparts Segmentasyon Veri Seti, otomotiv bilgisayarlı görü görevlerinde örnek segmentasyonu modellerini eğitmek için tamponlar, kapılar, lambalar, aynalar, kaput ve bagaj dâhil 23 otomobil parçası sınıfına yayılmış 3.833 açıklamalı görüntü sunar. Birden çok açıdan yakalanan ve piksel düzeyinde maskelerle etiketlenen bu veri seti, otomotiv kalite kontrolü ve oto tamirinden sigorta hasarı değerlendirmesine ve otonom araç algısına kadar uzanan kullanım alanları için doğrudan Ultralytics YOLO ile birlikte kullanılabilir.

Veri Kümesi Yapısı#

Carparts Segmentasyon Veri Seti, 3.833 görüntüyü aşağıdaki şekilde bölümlere ayırır:

• Eğitim seti: Derin öğrenme modelini eğitmek için kullanılan 3.156 görüntü.
• Doğrulama seti: Eğitim sırasında hiperparametreleri ayarlamak ve doğrulama verileri üzerinde aşırı öğrenmeyi önlemek için kullanılan 401 görüntü.
• Test seti: Eğitim sonrasında modelin ayrılmış test verileri üzerindeki performansını değerlendirmek için kullanılan 276 görüntü.
• Sınıflar: Toplam 23 — 22 adlandırılmış otomobil parçası kategorisi (tamponlar, kapılar, lambalar, cam, aynalar, kaput, bagaj kapağı, bagaj ve tekerlekler) ile bu kategorilerin dışındaki parçalar için kullanılan kapsayıcı object sınıfı.
• İndirme boyutu: ~133 MB.

Uygulamalar#

Carparts Segmentasyon, aşağıdakiler dâhil olmak üzere çeşitli alanlarda kullanılır:

• Otomotiv Kalite Kontrolü: Üretim sırasında otomobil parçalarındaki kusurları veya tutarsızlıkları belirleme (Üretimde AI).
• Oto Tamir: Tamir edilmesi veya değiştirilmesi gereken parçaları belirlemede teknisyenlere yardımcı olma.
• E-ticaret Kataloglama: E-ticaret platformları için çevrim içi mağazalardaki otomobil parçalarını otomatik olarak etiketleme ve kategorilere ayırma.
• Trafik İzleme: Trafik gözetim görüntülerindeki araç bileşenlerini analiz etme.
• Otonom Araçlar: Çevredeki araçları daha iyi anlamak için kendi kendine sürüş yapan otomobillerin algı sistemlerini geliştirme.
• Sigorta İşlemleri: Sigorta talepleri sırasında etkilenen otomobil parçalarını belirleyerek hasar değerlendirmesini otomatikleştirme.
• Geri Dönüşüm: Verimli geri dönüşüm süreçleri için araç bileşenlerini ayırma.
• Akıllı Şehir Girişimleri: Akıllı Şehirler kapsamındaki kentsel planlama ve trafik yönetimi sistemlerine veri sağlama.

Carparts Segmentasyon Veri Seti'nin tamamına Ultralytics Platform üzerinden de göz atabilir ve veri setini yönetebilirsin.

Veri Kümesi YAML'i#

Bir YAML dosyası; yollar, sınıf adları ve diğer önemli ayrıntılar dâhil olmak üzere veri seti yapılandırmasını tanımlar. Carparts Segmentasyon veri seti için carparts-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml adresinde bulunur. YAML biçimi hakkında daha fazla bilgiyi yaml.org adresinde bulabilirsin.

# 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

Kullanım#

Carparts Segmentasyon veri seti üzerinde 100 epoch boyunca ve 640 görüntü boyutuyla bir Ultralytics YOLO26 modeli eğitmek için aşağıdaki kod parçacıklarını kullan. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için model Eğitim kılavuzuna başvur ve en iyi uygulamalar için model eğitimi ipuçlarını incele.

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")

Örnek Veriler ve Açıklamalar#

Aşağıda, tek tek otomobil parçalarının nasıl ana hatlarıyla gösterilip etiketlendiğini gösteren, nesne segmentasyonu maskeleri üzerine bindirilmiş bir Carparts Segmentasyon Veri Seti örnek görüntüsü yer alır:

Veri seti farklı konumları, aydınlatma koşullarını ve nesne yoğunluklarını kapsar; böylece bu veri setiyle eğitilen modeller, gerçek dünyadaki çeşitli sahnelerde genelleme yapmak için ihtiyaç duyacakları koşullarla karşılaşır.

Atıflar ve Teşekkürler#

Carparts Segmentasyon veri setini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen orijinal kaynağı belirt:

@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 },
}

Bilgisayarlı görü topluluğu için bu değerli veri setini oluşturan ve sürdüren Gianmarco Russo ile Roboflow ekibinin katkısını takdir ediyoruz. Daha fazla veri seti için Ultralytics Veri Setleri koleksiyonunu ziyaret et.

SSS#