Tập dữ liệu phân đoạn Carparts#

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

Tập dữ liệu phân đoạn Carparts của Ultralytics cung cấp 3.833 hình ảnh đã được gán nhãn thuộc 23 lớp bộ phận xe — bao gồm cản xe, cửa xe, đèn, gương, nắp capo và cốp xe — để huấn luyện các model phân đoạn instance cho các tác vụ thị giác máy tính trong lĩnh vực ô tô. Được chụp từ nhiều góc nhìn và gán nhãn bằng các mask ở cấp độ pixel, tập dữ liệu này kết hợp trực tiếp với Ultralytics YOLO cho các trường hợp sử dụng từ kiểm soát chất lượng ô tô và sửa chữa xe đến đánh giá hư hỏng trong yêu cầu bồi thường bảo hiểm và nhận thức môi trường của xe tự hành.

Cấu trúc bộ dữ liệu#

Tập dữ liệu phân đoạn Carparts được chia 3.833 hình ảnh như sau:

• Tập huấn luyện: 3,156 hình ảnh được sử dụng để huấn luyện mô hình deep learning.
• Tập validation: 401 hình ảnh được sử dụng trong quá trình huấn luyện để tinh chỉnh hyperparameter và ngăn overfitting trên dữ liệu validation.
• Tập kiểm thử: 276 hình ảnh được sử dụng để đánh giá model trên dữ liệu kiểm thử chưa được sử dụng sau khi huấn luyện.
• Các lớp: Tổng cộng 23 lớp — 22 danh mục bộ phận xe có tên (cản xe, cửa xe, đèn, kính, gương, nắp capo, cửa hậu, cốp xe và bánh xe) cùng một lớp tổng quát object dành cho các bộ phận nằm ngoài những danh mục này.
• Kích thước tải xuống: ~133 MB.

Ứng dụng#

Phân đoạn Carparts được ứng dụng trong nhiều lĩnh vực, bao gồm:

• Kiểm soát chất lượng ô tô: Xác định lỗi hoặc điểm không nhất quán trong các bộ phận xe trong quá trình sản xuất (AI trong sản xuất).
• Sửa chữa ô tô: Hỗ trợ thợ máy xác định các bộ phận cần sửa chữa hoặc thay thế.
• Lập catalog thương mại điện tử: Tự động gắn tag và phân loại các bộ phận xe trong các cửa hàng trực tuyến cho nền tảng thương mại điện tử.
• Giám sát giao thông: Phân tích các bộ phận xe trong video giám sát giao thông.
• Xe tự hành: Nâng cao các hệ thống nhận thức của xe tự lái để hiểu rõ hơn về những phương tiện xung quanh.
• Xử lý bảo hiểm: Tự động hóa việc đánh giá hư hỏng bằng cách xác định các bộ phận xe bị ảnh hưởng trong quá trình giải quyết yêu cầu bồi thường bảo hiểm.
• Tái chế: Phân loại các bộ phận xe để tối ưu hóa quy trình tái chế.
• Sáng kiến thành phố thông minh: Đóng góp dữ liệu cho các hệ thống quy hoạch đô thị và quản lý giao thông trong Thành phố thông minh.

Bạn cũng có thể duyệt và quản lý toàn bộ Tập dữ liệu phân đoạn Carparts trên Ultralytics Platform.

YAML của bộ dữ liệu#

Một tệp YAML xác định cấu hình tập dữ liệu, bao gồm đường dẫn, tên lớp và các thông tin thiết yếu khác. Đối với tập dữ liệu phân đoạn Carparts, tệp carparts-seg.yaml có tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. Bạn có thể tìm hiểu thêm về định dạng YAML tại 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

Cách sử dụng#

Để huấn luyện model Ultralytics YOLO26 trên tập dữ liệu phân đoạn Carparts trong 100 epoch với kích thước hình ảnh 640, hãy sử dụng các đoạn code sau. Tham khảo hướng dẫn Huấn luyện model để xem danh sách đầy đủ các tham số khả dụng và khám phá mẹo huấn luyện model để biết các phương pháp tốt nhất.

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")

Dữ liệu mẫu và Annotation#

Dưới đây là một hình ảnh mẫu từ Tập dữ liệu phân đoạn Carparts với các mask phân đoạn đối tượng được chồng lên, minh họa cách từng bộ phận xe được viền và gắn nhãn:

Tập dữ liệu bao quát nhiều địa điểm, điều kiện ánh sáng và mật độ đối tượng khác nhau, giúp các model được huấn luyện trên đó tiếp cận phạm vi cảnh thực tế mà chúng cần khái quát hóa.

Trích dẫn và ghi nhận đóng góp#

Nếu sử dụng tập dữ liệu phân đoạn Carparts trong nghiên cứu hoặc quá trình phát triển, vui lòng trích dẫn nguồn gốc:

@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 },
}

Chúng tôi ghi nhận đóng góp của Gianmarco Russo và đội ngũ Roboflow trong việc tạo và duy trì tập dữ liệu có giá trị này cho cộng đồng thị giác máy tính. Để xem thêm các tập dữ liệu, hãy truy cập bộ sưu tập Tập dữ liệu Ultralytics.

FAQ#