Dataset Segmentation Bộ phận Ô tô#

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

Dataset Segmentation Bộ phận Ô tô Ultralytics cung cấp 3.833 ảnh được gán nhãn thuộc 23 class bộ phận ô tô — bao gồm cản xe, cửa, đèn, gương, nắp ca-pô và cốp — để huấn luyện model instance segmentation cho các tác vụ thị giác máy tính trong ngành ô tô. Ảnh được chụp từ nhiều góc độ và gán nhãn bằng mask ở cấp pixel; dataset có thể 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 thiệt hại trong yêu cầu bồi thường bảo hiểm và nhận thức môi trường của xe tự hành.

Cấu trúc dataset#

Dataset Segmentation Bộ phận Ô tô chia 3.833 ảnh như sau:

• Tập huấn luyện: 3.156 ảnh dùng để huấn luyện model học sâu.
• Tập xác thực: 401 ảnh được dùng trong quá trình huấn luyện để tinh chỉnh hyperparameter và ngăn overfitting trên dữ liệu xác thực.
• Tập kiểm thử: 276 ảnh được dùng để đánh giá model trên dữ liệu kiểm thử chưa dùng trong quá trình huấn luyện.
• Class: Tổng cộng 23 class — 22 danh mục bộ phận ô tô có tên (cản xe, cửa, đèn, kính, gương, nắp ca-pô, cửa hậu, cốp và bánh xe) cùng class tổng quát object dành cho các bộ phận không thuộc những danh mục này.
• Kích thước tải xuống: ~133 MB.

Ứng dụng#

Dataset Segmentation Bộ phận Ô tô có ứng dụng trong nhiều lĩnh vực, bao gồm:

• Kiểm soát Chất lượng Ô tô: Nhận diện lỗi hoặc điểm không nhất quán ở các bộ phận ô tô trong quá trình sản xuất (AI trong Sản xuất).
• Sửa chữa Ô tô: Hỗ trợ kỹ thuật viên xác định các bộ phận cần sửa chữa hoặc thay thế.
• Lập danh mục Thương mại điện tử: Tự động gắn thẻ và phân loại bộ phận ô tô trong cửa hàng trực tuyến cho các 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: Tăng cường hệ thống nhận thức của ô tô tự lái để hiểu rõ hơn về các phương tiện xung quanh.
• Xử lý Bảo hiểm: Tự động hóa việc đánh giá thiệt hại bằng cách nhận diện các bộ phận ô tô bị ảnh hưởng trong quá trình yêu cầu bồi thường bảo hiểm.
• Tái chế: Phân loại các bộ phận xe để nâng cao hiệu quả quy trình tái chế.
• Sáng kiến Thành phố Thông minh: Cung cấp dữ liệu phục vụ quy hoạch đô thị và hệ thống quản lý giao thông trong Thành phố Thông minh.

Bạn cũng có thể duyệt và quản lý toàn bộ Dataset Segmentation Bộ phận Ô tô trên Ultralytics Platform.

YAML của dataset#

File YAML xác định cấu hình dataset, bao gồm đường dẫn, tên class và các thông tin thiết yếu khác. Với dataset Segmentation Bộ phận Ô tô, file 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 dataset Segmentation Bộ phận Ô tô trong 100 epoch với kích thước ảnh 640, hãy sử dụng các đoạn mã sau. Tham khảo hướng dẫn Huấn luyện model để xem danh sách đầy đủ các đối số hiện có và tìm hiểu mẹo huấn luyện model để áp dụng các phương pháp tốt nhất.

from ultralytics import YOLO

# Tải model segmentation pretrained, chẳng hạn như YOLO26n-seg
model = YOLO("yolo26n-seg.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)

# Huấn luyện model trên dataset Segmentation Bộ phận Ô tô
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# Sau khi huấn luyện, bạn có thể xác thực hiệu năng của model trên tập xác thực
results = model.val()

# Hoặc thực hiện dự đoán trên ảnh hoặc video mới
results = model.predict("path/to/your/image.jpg")

Dữ liệu mẫu và annotation#

Dưới đây là ảnh mẫu từ Dataset Segmentation Bộ phận Ô tô, được phủ các mask segmentation object, minh họa cách các bộ phận ô tô riêng lẻ được phác đường viền và gắn nhãn:

Dataset bao gồm nhiều địa điểm, điều kiện ánh sáng và mật độ object khác nhau, giúp model được huấn luyện trên dataset tiếp xúc với nhiều bối cảnh thực tế mà model cần khái quát hóa.

Trích dẫn và lời cảm ơn#

Nếu sử dụng dataset Segmentation Bộ phận Ô tô 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 dataset giá trị này cho cộng đồng thị giác máy tính. Để tìm thêm dataset, hãy truy cập bộ sưu tập Dataset của Ultralytics.

Câu hỏi thường gặp#