Carparts Segmentasyon Veri Kümesi#

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

Ultralytics Carparts Segmentasyon Veri Kümesi; tamponlar, kapılar, ışıklar, aynalar, kaput ve bagaj kapağı dâhil 23 otomobil parçası sınıfını kapsayan 3.833 açıklamalı görüntü sunar. Otomotiv bilgisayarlı görü görevlerinde örnek segmentasyonu modellerini eğitmek için tasarlanmıştır. Birden çok açıdan çekilen ve piksel düzeyinde maskelerle açıklama eklenen veri kümesi, otomotiv kalite kontrolünden oto tamirine, sigorta hasar değerlendirmesinden otonom araç algısına kadar uzanan kullanım senaryoları için Ultralytics YOLO ile doğrudan kullanılabilir.

Veri Kümesi Yapısı#

Carparts Segmentasyon Veri Kümesi, 3.833 görüntüsünü şu şekilde böler:

• Eğitim kümesi: Derin öğrenme modelini eğitmek için kullanılan 3.156 görüntü.
• Doğrulama kümesi: Hiperparametreleri ayarlamak ve doğrulama verilerinde aşırı öğrenmeyi önlemek için eğitim sırasında kullanılan 401 görüntü.
• Test kümesi: Eğitimden sonra modelin ayrılmış test verileri üzerinde değerlendirilmesi için kullanılan 276 görüntü.
• Sınıflar: Toplam 23 sınıf — tamponlar, kapılar, ışıklar, camlar, aynalar, kaput, bagaj kapağı, bagaj ve tekerlekler gibi adlandırılmış 22 otomobil parçası kategorisi ile bu kategorilerin dışındaki parçalar için genel bir object sınıfı.
• İndirme boyutu: ~133 MB.

Uygulamalar#

Carparts Segmentasyon Veri Kümesi, aşağıdakiler dâhil çeşitli alanlarda kullanılır:

• Otomotiv Kalite Kontrolü: Üretim sırasında otomobil parçalarındaki kusurları veya tutarsızlıkları belirleme (Üretimde Yapay Zekâ).
• Oto Tamir: Tamir veya değişim gereken parçaları belirlemelerinde teknisyenlere yardımcı olma.
• E-ticaret Kataloglama: E-ticaret platformları için çevrimiçi mağazalardaki otomobil parçalarını otomatik olarak etiketleme ve kategorilere ayırma.
• Trafik İzleme: Trafik gözetim görüntülerindeki araç bileşenlerini analiz etme.
• Otonom Araçlar: Çevredeki araçları daha iyi anlamaları için otonom araçların algı sistemlerini geliştirme.
• Sigorta İşlemleri: Sigorta talepleri sırasında etkilenen otomobil parçalarını belirleyerek hasar değerlendirmesini otomatikleştirme.
• Geri Dönüşüm: Verimli geri dönüşüm süreçleri için araç bileşenlerini sınıflandırma.
• Akıllı Şehir Girişimleri: Akıllı Şehirler kapsamındaki şehir planlama ve trafik yönetimi sistemlerine veri sağlama.

Carparts Segmentasyon Veri Kümesinin tamamına Ultralytics Platform üzerinden de göz atabilir ve veri kümesini yönetebilirsin.

Veri Kümesi YAML Dosyası#

Bir YAML dosyası, yollar, sınıf adları ve diğer temel ayrıntılar dâhil olmak üzere veri kümesi yapılandırmasını tanımlar. Carparts Segmentasyon Veri Kümesi için carparts-seg.yaml dosyasına https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml adresinden ulaşabilirsin. 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 Kümesi üzerinde bir Ultralytics YOLO26 modelini 100 epoch boyunca ve 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçalarını kullan. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim kılavuzuna bak ve en iyi uygulamalar için model eğitimi ipuçlarını incele.

from ultralytics import YOLO

# YOLO26n-seg gibi önceden eğitilmiş bir segmentasyon modelini yükle
model = YOLO("yolo26n-seg.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli Carparts Segmentasyon Veri Kümesi üzerinde eğit
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Eğitimden sonra modelin performansını doğrulama kümesinde değerlendirebilirsin
results = model.val()

# Ya da yeni görüntüler veya videolar üzerinde tahmin yap
results = model.predict("path/to/your/image.jpg")

Örnek Veriler ve Açıklamalar#

Aşağıda, Carparts Segmentasyon Veri Kümesinden nesne segmentasyonu maskeleri üzerine bindirilmiş örnek bir görüntü yer alıyor. Görüntüde tek tek otomobil parçalarının nasıl ana hatlarıyla belirtilip etiketlendiği gösteriliyor:

Veri kümesi farklı konumları, aydınlatma koşullarını ve nesne yoğunluklarını kapsar; böylece bu veri kümesiyle eğitilen modeller, genelleme yapmaları gereken çeşitli gerçek dünya sahnelerini tanıyabilir.

Atıflar ve Teşekkürler#

Carparts Segmentasyon Veri Kümesi'ni araştırma veya geliştirme çalışmalarında kullanırsan lütfen özgün 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 kümesini oluşturan ve sürdüren Gianmarco Russo'ya ve Roboflow ekibine katkılarından dolayı teşekkür ederiz. Daha fazla veri kümesi için Ultralytics Veri Kümeleri koleksiyonunu ziyaret et.

Sık Sorulan Sorular#