Link to this sectionOto Parçaları Segmentasyon Veri Kümesi#

Name: Carparts-Seg Dataset
Creator: Gianmarco Russo
License: https://creativecommons.org/licenses/by/4.0/
Keywords: Oto Parçaları Segmentasyon Veri Kümesi, computer vision, otomotiv yapay zeka, araç bakımı, Ultralytics, YOLO, segmentasyon modelleri, deep learning, nesne segmentasyonu

The Ultralytics Carparts Segmentation Dataset provides 3,833 annotated images across 23 car-part classes — including bumpers, doors, lights, mirrors, hood, and trunk — for training instance segmentation models on automotive computer vision tasks. Captured from multiple perspectives and annotated with pixel-level masks, it pairs directly with Ultralytics YOLO for use cases ranging from automotive quality control and auto repair to insurance-claim damage assessment and autonomous-vehicle perception.

Watch: How to Segment Carparts with Ultralytics Platform | Train, Deploy & Inference | Ultralytics YOLO26 🚀

Link to this sectionVeri Kümesi Yapısı#

Carparts Segmentation Dataset, 3.833 görüntüsünü aşağıdaki şekilde böler:

Training set: 3,156 images used for training the deep learning model.
Validation set: 401 images used during training to tune hyperparameters and prevent overfitting on validation data.
Test seti: Eğitimden sonra modeli ayrılmış test verileri üzerinde değerlendirmek için kullanılan 276 görüntü.
Sınıflar: Toplamda 23 adet — 22 isimlendirilmiş araba parçası kategorisi (tamponlar, kapılar, farlar, camlar, aynalar, kaput, bagaj kapağı, bagaj ve tekerlekler) ve bu kategorilerin dışındaki parçalar için her şeyi kapsayan bir object sınıfı.
İndirme boyutu: ~133 MB.

Link to this sectionUygulamalar#

Oto Parçaları Segmentasyonu, aşağıdakiler dahil olmak üzere çeşitli alanlarda uygulama bulur:

Otomotiv Kalite Kontrolü: Üretim sırasında araba parçalarındaki kusurların veya tutarsızlıkların belirlenmesi (Üretimde Yapay Zeka).
Oto Tamiri: Tamir veya değişim gerektiren parçaların tanımlanmasında teknisyenlere yardımcı olunması.
E-ticaret Kataloglama: Çevrimiçi mağazalardaki oto parçalarının e-ticaret platformları için otomatik olarak etiketlenmesi ve kategorize edilmesi.
Trafik İzleme: Trafik gözetim görüntülerindeki araç bileşenlerinin analiz edilmesi.
Otonom Araçlar: Sürücüsüz araçların çevrelerindeki araçları daha iyi anlamalarını sağlamak için algı sistemlerinin geliştirilmesi.
Sigorta İşlemleri: Sigorta talepleri sırasında etkilenen oto parçalarını tanımlayarak hasar tespitinin otomatikleştirilmesi.
Geri Dönüşüm: Verimli geri dönüşüm süreçleri için araç bileşenlerinin ayrıştırılması.
Akıllı Şehir Girişimleri: Akıllı Şehirler içindeki kentsel planlama ve trafik yönetimi sistemlerine veri katkısında bulunulması.

Eksiksiz Carparts Segmentation Dataset aynı zamanda Ultralytics Platform üzerinden incelenebilir ve yönetilebilir.

Link to this sectionVeri Kümesi YAML#

Bir YAML dosyası, yollar, sınıf adları ve diğer temel ayrıntılar dahil olmak üzere veri seti yapılandırmasını tanımlar. Carparts Segmentation veri seti için carparts-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml adresinde mevcuttur. YAML formatı hakkında daha fazla bilgiyi yaml.org adresinden edinebilirsin.

ultralytics/cfg/datasets/carparts-seg.yaml

# 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 sectionKullanım#

Carparts Segmentation veri kümesi üzerinde bir Ultralytics YOLO26 modelini 640 görüntü boyutuyla 100 epok boyunca eğitmek için aşağıdaki kod parçacıklarını kullan. Kullanılabilir argümanların kapsamlı bir listesi için Eğitim kılavuzuna bak ve en iyi uygulamalar için model eğitimi ipuçlarını keşfet.

Eğitim Örneği

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 sectionÖrnek Veriler ve Etiketler#

Aşağıda, Carparts Segmentation Dataset'ten alınmış, bireysel araba parçalarının nasıl ana hatlarıyla belirtildiğini ve etiketlendiğini gösteren, nesne segmentasyonu maskeleri bindirilmiş örnek bir görüntü yer almaktadır:

Oto parçaları segmentasyon veri kümesi örnek görüntüsü

Veri kümesi, çeşitli konumları, aydınlatma koşullarını ve nesne yoğunluklarını kapsar; bu sayede üzerinde eğitilen modellere, gerçek dünya sahnelerinde genelleme yapmak için ihtiyaç duyacakları çeşitliliği sağlar.

Link to this sectionAlıntılar ve Teşekkür#

Oto Parçaları Segmentasyon veri kümesini araştırmalarında veya geliştirme çalışmalarında kullanıyorsan, lütfen orijinal kaynağı şu şekilde belirt:

Alıntı

@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 oluşturdukları ve sürdürdükleri için Gianmarco Russo ve Roboflow ekibinin katkılarını takdir ediyoruz. Daha fazla veri kümesi için Ultralytics Datasets koleksiyonunu ziyaret et.

Link to this sectionSSS#

Link to this sectionCarparts Segmentation Dataset nedir ve Ultralytics YOLO26 içinde nasıl kullanılır?#

The Carparts Segmentation Dataset is a curated collection of 3,833 annotated images spanning 23 car-part classes — bumpers, doors, lights, mirrors, hood, trunk, and more — for training and evaluating instance segmentation models. It's built for automotive computer vision applications like quality control, auto repair, and damage assessment, and is used directly with Ultralytics YOLO26 via the carparts-seg.yaml configuration file.

Link to this sectionCarparts Segmentation Dataset kaç görüntü ve sınıf içeriyor?#

Veri kümesi toplamda 3.833 görüntüden oluşur: 3.156 eğitim, 401 doğrulama ve 276 test için. Bu görüntüler 23 sınıfı kapsar: 22 isimlendirilmiş araba parçası kategorisi ve bunların dışındaki parçalar için her şeyi kapsayan bir object sınıfı. Tam arşiv, ilk kullanımda ~133 MB boyutunda bir .zip dosyası olarak otomatik indirilir.

Link to this sectionCarparts Segmentation Dataset üzerinde bir Ultralytics YOLO26 modelini nasıl eğitebilirim?#

Load a pretrained segmentation model (e.g., yolo26n-seg.pt) and train it with the carparts-seg.yaml configuration using the Python or CLI snippets in the Usage section above. See the Training guide for the full list of available arguments.

Link to this sectionCarparts Segmentation Dataset'in bazı uygulama alanları nelerdir?#

Carparts segmentasyonu; otomotiv kalite kontrolü, oto tamiri, e-ticaret kataloglama, trafik izleme, otonom araç algılama, sigorta hasar tespiti, geri dönüşüm ve akıllı şehir girişimlerini destekler — her bir kullanım durumu hakkında detaylar için yukarıdaki Uygulamalar bölümüne bak.

Link to this sectionOto Parçaları Segmentasyonu için veri kümesi yapılandırma dosyasını nerede bulabilirim?#

Veri kümesi yolları ve sınıfları hakkında detaylar içeren veri kümesi yapılandırma dosyası carparts-seg.yaml, Ultralytics GitHub deposunda bulunur: carparts-seg.yaml.