Carparts 分割数据集#
Ultralytics Carparts 分割数据集提供了涵盖 23 个汽车部件类别的 3,833 张标注图像，包括保险杠、车门、车灯、后视镜、引擎盖和后备箱，用于训练汽车实例分割任务中的计算机视觉模型。这些图像从多个视角采集，并使用像素级掩码进行标注，可直接与 Ultralytics YOLO 配合使用，应用范围涵盖汽车质量控制、汽车维修、保险理赔损坏评估和自动驾驶车辆感知。
Watch: How to Segment Carparts with Ultralytics Platform | Train, Deploy & Inference | Ultralytics YOLO26 🚀
数据集结构#
Carparts 分割数据集的 3,833 张图像划分如下：
- 训练集：3,156 张图像，用于训练深度学习模型。
- 验证集：401 张图像，在训练期间用于调整超参数，并防止模型在验证数据上过拟合。
- 测试集：276 张图像，在训练后用于使用留出的测试数据评估模型。
- 类别：共 23 个类别——22 个命名的汽车部件类别（保险杠、车门、车灯、玻璃、后视镜、引擎盖、尾门、后备箱和车轮），以及一个用于归类不属于上述类别部件的通用
object类别。 - 下载大小：~133 MB。
应用#
Carparts 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部件中的缺陷或不一致（制造业中的 AI）。
- 汽车维修：协助维修技师识别需要维修或更换的部件。
- 电子商务目录编制：在网上商店中自动为汽车部件添加标签并进行分类，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，以更好地理解周围车辆。
- 保险处理：在保险理赔过程中识别受影响的汽车部件，从而自动进行损坏评估。
- 回收：对车辆部件进行分类，以实现高效的回收流程。
- 智慧城市计划：为智慧城市中的城市规划和交通管理系统提供数据支持。
完整的 Carparts 分割数据集也可以在 Ultralytics Platform 上浏览和管理。
数据集 YAML#
YAML 文件定义数据集配置，包括路径、类别名称和其他必要信息。对于 Carparts 分割数据集，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使用方法#
要在 Carparts 分割数据集上训练 Ultralytics YOLO26 模型，训练 100 个周期，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以了解最佳实践。
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")示例数据和标注#
下面是 Carparts 分割数据集中的一张示例图像，其中叠加了目标分割掩码，展示了如何勾勒和标注各个汽车部件：
该数据集涵盖不同的地点、光照条件和目标密度，使使用它训练的模型能够接触到各种真实世界场景，从而学习在这些场景之间进行泛化。
引用和致谢#
如果你在研究或开发工作中使用 Carparts 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和维护这一宝贵数据集所作的贡献。要获取更多数据集，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——训练集 3,156 张、验证集 401 张、测试集 276 张——涵盖 23 个类别：22 个命名的汽车部件类别，以及一个用于归类其他部件的通用
object类别。首次使用时，完整存档会自动下载为一个约 ~133 MB 的.zip。Carparts 分割支持汽车质量控制、汽车维修、电子商务目录编制、交通监控、自动驾驶车辆感知、保险损坏评估、回收和智慧城市计划——有关每种应用场景的详细信息，请参阅上方的应用部分。
数据集配置文件
carparts-seg.yaml包含数据集路径和类别等详细信息，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准确分割模型至关重要。其多样性有助于提升模型在真实世界场景中的稳健性和性能，例如自动车辆检查、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。