汽车零部件分割数据集#
Ultralytics 汽车零部件分割数据集提供了 3,833 张标注图像，涵盖 23 种汽车零部件类别，包括保险杠、车门、车灯、后视镜、引擎盖和后备箱，可用于训练汽车计算机视觉任务中的实例分割模型。数据集图像从多个角度拍摄，并采用像素级标注掩码，可直接配合 Ultralytics YOLO 使用，适用于汽车质量控制、汽车维修、保险理赔损伤评估和自动驾驶车辆感知等场景。
观看： 如何使用 Ultralytics Platform 分割汽车零部件 | 训练、部署和推理 | Ultralytics YOLO26 🚀
数据集结构#
汽车零部件分割数据集的 3,833 张图像划分如下：
- 训练集：用于训练 深度学习 模型的 3,156 张图像。
- 验证集：训练期间使用的 401 张图像，用于调整超参数，并防止模型在验证数据上过拟合。
- 测试集：训练后用于在留出的测试数据上评估模型的 276 张图像。
- 类别：共 23 种，其中包括 22 个有名称的汽车零部件类别（保险杠、车门、车灯、玻璃、后视镜、引擎盖、尾门、后备箱和车轮），以及一个用于归类其他部件的兜底类别
object。 - 下载大小：~133 MB。
应用场景#
汽车零部件分割可应用于多个领域，包括：
- 汽车质量控制：在制造过程中识别汽车零部件中的缺陷或不一致之处（制造业中的 AI）。
- 汽车维修：帮助技师识别需要维修或更换的零部件。
- 电子商务商品编目：在网店中自动标记和分类汽车零部件，服务于电子商务平台。
- 交通监控：分析交通监控视频中的车辆部件。
- 自动驾驶车辆：增强自动驾驶汽车的感知系统，以便更好地理解周围车辆。
- 保险理赔处理：在保险理赔期间识别受损汽车零部件，实现损伤评估自动化。
- 回收利用：对车辆部件进行分类，以提高回收效率。
- 智慧城市计划：为智慧城市的城市规划和交通管理系统提供数据。
你也可以在 Ultralytics Platform 上浏览和管理完整的汽车零部件分割数据集。
数据集 YAML#
YAML 文件用于定义数据集配置，包括路径、类别名称和其他重要信息。汽车零部件分割数据集的 carparts-seg.yaml 文件位于 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml。你可以在 yaml.org 了解更多 YAML 格式信息。
# 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用法#
要在汽车零部件分割数据集上训练 Ultralytics YOLO26 模型，训练 100 个轮次，并使用 640 的图像尺寸，请使用以下代码片段。有关可用参数的完整列表，请参阅模型训练指南，并查看模型训练技巧了解最佳实践。
from ultralytics import YOLO
# 加载预训练分割模型，例如 YOLO26n-seg
model = YOLO("yolo26n-seg.pt") # 加载预训练模型（推荐用于训练）
# 使用汽车零部件分割数据集训练模型
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)
# 训练完成后，你可以在验证集上评估模型性能
results = model.val()
# 或者对新图像或视频进行预测
results = model.predict("path/to/your/image.jpg")示例数据和标注#
以下是汽车零部件分割数据集中的一张示例图像，其上叠加了对象分割掩码，展示了如何勾勒并标注各个汽车零部件：
该数据集涵盖不同地点、光照条件和对象密度，让使用该数据集训练的模型能够接触到各种真实场景，从而学习适应这些场景。
引用与致谢#
如果你在研究或开发工作中使用汽车零部件分割数据集，请引用原始来源：
@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。如需了解更多数据集，请访问 Ultralytics 数据集集合。
常见问题#
该数据集共包含 3,833 张图像，其中 3,156 张用于训练、401 张用于验证、276 张用于测试，涵盖 23 个类别：22 个有名称的汽车零部件类别，以及一个用于归类其他部件的兜底类别
object。首次使用时，系统会自动下载完整的.zip压缩包，大小约为 ~133 MB。汽车零部件分割可用于汽车质量控制、汽车维修、电子商务商品编目、交通监控、自动驾驶车辆感知、保险损伤评估、回收利用和智慧城市计划。如需了解各个使用场景的详细信息，请参阅上文的应用部分。
数据集配置文件
carparts-seg.yaml包含数据集路径和类别等信息，位于 Ultralytics GitHub 仓库中：carparts-seg.yaml。该数据集提供了丰富的标注数据，对于开发适用于汽车应用的精准分割模型至关重要。数据集的多样性有助于提升模型在真实场景中的鲁棒性和性能，例如自动车辆检测、增强安全系统以及支持自动驾驶技术。使用此类高质量、特定领域的数据集可以加速 AI 开发。