Meet YOLO26: next-gen vision AI.

Link to this sectionCarparts Segmentation Dataset#

在 Colab 中打开 Carparts Segmentation Dataset

Carparts Segmentation Dataset 是一个精心整理的图像和视频集合，专为计算机视觉应用而设计，特别侧重于分割任务。该数据集提供了从多个视角捕获的多样化视觉素材，为训练和测试分割模型提供了宝贵的标注示例。

Whether you're working on automotive research, developing AI solutions for vehicle maintenance, or exploring computer vision applications, the Carparts Segmentation Dataset serves as a valuable resource for enhancing the accuracy and efficiency of your projects using models like Ultralytics YOLO.



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

Link to this section数据集结构#

Carparts Segmentation Dataset 中的数据分布组织如下：

  • 训练集：包含 3516 张图像，每张图像都附有相应的标注。该集合用于训练深度学习模型。
  • 测试集：由 401 张图像组成，每张图像都配有各自的标注。该集合用于在训练后使用测试数据评估模型的性能。
  • Validation set: Consists of 276 images, each having corresponding annotations. This set is used during training to tune hyperparameters and prevent overfitting using validation data.

Link to this section应用#

Carparts Segmentation 可应用于多个领域，包括：

  • 汽车质量控制：在制造过程中识别汽车零部件的缺陷或不一致之处（AI 制造）。
  • 汽车维修：协助技师识别需要维修或更换的零件。
  • 电子商务编目：为电子商务平台在线商店中的汽车零件进行自动标记和分类。
  • 交通监控：分析交通监控录像中的车辆组件。
  • 自动驾驶汽车：增强自动驾驶汽车的感知系统，使其更好地理解周围的车辆。
  • 保险理赔处理：通过在保险理赔期间识别受损的汽车部件，实现损坏评估的自动化。
  • 回收：对车辆组件进行分类，以实现高效的回收流程。
  • 智慧城市计划：为智慧城市内的城市规划和交通管理系统提供数据支持。

通过准确识别和分类不同的车辆组件，Carparts Segmentation 简化了流程，并有助于提高这些行业中的效率和自动化水平。

Link to this section数据集 YAML#

一个 YAML（Yet Another Markup Language）文件定义了数据集配置，包括路径、类名和其他基本详细信息。对于 Carparts Segmentation 数据集，carparts-seg.yaml 文件可在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml 获取。你可以在 yaml.org 了解更多关于 YAML 格式的信息。

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') 3516 images
val: images/val # val images (relative to 'path') 276 images
test: images/test # test images (relative to 'path') 401 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 section用法#

要使用 640 的图像尺寸在 Carparts Segmentation 数据集上训练 Ultralytics YOLO26 模型 100 个轮次，请使用以下代码片段。请参考模型训练指南获取可用参数的完整列表，并浏览模型训练技巧以获取最佳实践。

训练示例
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 section示例数据与标注#

Carparts Segmentation 数据集包含从不同视角捕获的多样化图像和视频。以下是展示数据及其相应标注的示例：

Car parts segmentation dataset sample image

  • 该图像演示了汽车图像样本中的对象分割。带有掩码的标注边界框突出了识别出的汽车部件（例如，前大灯、格栅）。
  • 该数据集具有在不同条件下（地点、光照、物体密度）捕获的多种图像，为训练稳健的汽车零件分割模型提供了全面的资源。
  • 此示例强调了数据集的复杂性以及高质量数据对于计算机视觉任务的重要性，特别是在汽车组件分析等专业领域。数据增强等技术可以进一步增强模型的泛化能力。

Link to this section引用与致谢#

如果你在研究或开发工作中使用 Carparts Segmentation 数据集，请引用原始来源：

引用
   @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 },
    }

我们感谢 Gianmarco Russo 和 Roboflow 团队为计算机视觉社区创建并维护这一宝贵数据集所做出的贡献。如需更多数据集，请访问 Ultralytics 数据集集合。

Link to this section常见问题解答#

Link to this section什么是 Carparts Segmentation Dataset？#

Carparts Segmentation Dataset 是一个专门的图像和视频集合，用于训练计算机视觉模型以对汽车零件执行分割任务。它包含带有详细标注的多样化视觉素材，适用于汽车 AI 应用。

Link to this section我该如何将 Carparts Segmentation Dataset 与 Ultralytics YOLO26 结合使用？#

你可以使用此数据集训练 Ultralytics YOLO26 分割模型。加载预训练模型（例如 yolo26n-seg.pt）并参考 carparts-seg.yaml 配置文件，使用提供的 Python 或 CLI 示例开始训练。有关详细说明，请查看训练指南。

训练代码片段示例
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

Link to this sectionCarparts Segmentation 有哪些应用？#

Carparts Segmentation 可用于：

  • 汽车质量控制：确保零件符合标准（AI 制造）。
  • 汽车维修：识别需要维修的零件。
  • 电子商务：在线编目零件。
  • 自动驾驶汽车：改善车辆感知（汽车 AI）。
  • 保险：自动评估车辆损坏情况。
  • 回收：高效分类零件。

Link to this section在哪里可以找到 Carparts Segmentation 的数据集配置文件？#

包含有关数据集路径和类信息的配置文件 carparts-seg.yaml 位于 Ultralytics GitHub 存储库中：carparts-seg.yaml。

Link to this section为什么要使用 Carparts Segmentation Dataset？#

该数据集提供了丰富的标注数据，对于开发用于汽车应用的精确分割模型至关重要。其多样性有助于提高模型在自动车辆检查、增强安全系统和支持自动驾驶技术等现实场景中的稳健性和性能。使用此类高质量的领域专用数据集可以加速 AI 开发。

贡献者
GLglenn-jocher14RIRizwanMunawar7ONonuralpszr1LEleonnil1MAMatthewNoyce1

评论