YOLO Vision 2026：
CC BY 4.0

Carparts Segmentation Dataset#

在 Colab 中打开 Carparts Segmentation Dataset

Ultralytics Carparts Segmentation Dataset 提供了 3,833 张带有 23 个汽车零部件类别（包括保险杠、车门、车灯、后视镜、引擎盖和后备箱）注释的图像，用于在汽车计算机视觉任务中训练实例分割模型。它从多个角度拍摄并带有像素级掩码注释，可直接与 Ultralytics YOLO 配合使用，适用于汽车质量控制、汽车维修、保险理赔定损以及自动驾驶感知等用例。



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

数据集结构#

Carparts Segmentation Dataset 将其 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：在训练期间使用 401 张图像来调整超参数，并防止在验证数据上出现过拟合。
  • 测试集：276 张图像，用于在训练后在保留的测试数据上评估模型。
  • 类别：共 23 个——22 个具名汽车部件类别（保险杠、车门、车灯、玻璃、后视镜、引擎盖、尾门、后备箱和车轮）外加一个用于这些类别之外部件的兜底 object 类别。
  • 下载大小：约 133 MB。

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部件的缺陷或不一致之处（制造领域的 AI）。
  • 汽车维修：协助技师识别需要维修或更换的零件。
  • 电商目录编目：在在线商店中自动标记和分类汽车部件，适用于电商平台。
  • 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，以便更好地理解周围车辆。
  • 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。
  • 智慧城市倡议：为智慧城市内的城市规划和交通管理系统提供数据支持。

完整的 Carparts Segmentation Dataset 也可以在 Ultralytics Platform 上进行浏览和管理。

数据集 YAML#

一个 YAML 文件定义了数据集配置，包括路径、类名和其他重要细节。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 了解有关 YAML 格式的更多信息。

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') 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 Carparts Segmentation 数据集上使用 640 的图像尺寸训练 Ultralytics YOLO26 模型 100 个轮次，请使用以下代码片段。请参阅模型训练指南以获取可用参数的完整列表，并探索模型训练技巧以了解最佳实践。

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")

示例数据与标注#

以下是 Carparts Segmentation Dataset 中的一个示例图像，其叠加了对象分割掩码，展示了单个汽车部件是如何被勾勒和标注的：

Car parts segmentation dataset sample image

该数据集涵盖了不同的地理位置、光照条件和对象密度，使在此数据集上训练的模型能够接触到它们在现实场景中泛化所需的各种情况。

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群创建并维护这个宝贵的数据集所做出的贡献。如需获取更多数据集，请访问 Ultralytics Datasets 集合。

常见问题解答#

  • Carparts Segmentation Dataset 是一个精选集，包含 3,833 张标注图像，涵盖 23 个汽车零部件类别（如保险杠、车门、车灯、后视镜、引擎盖、后备箱等），用于训练和评估实例分割模型。它专为汽车计算机 vision 应用（如质量控制、汽车维修和定损评估）而构建，可通过 carparts-seg.yaml 配置文件直接与 Ultralytics YOLO26 一起使用。

  • 该数据集总计 3,833 张图像——3,156 张用于训练，401 张用于验证，276 张用于测试——横跨 23 个类别：22 个具名汽车部件类别外加一个用于其之外部件的兜底 object 类别。完整档案在首次使用时会自动下载，大小约为 ~133 MB 的 .zip。

  • 加载预训练的分割模型（例如 yolo26n-seg.pt），并使用上面用法部分中的 Python 或 CLI 代码片段，通过 carparts-seg.yaml 配置对其进行训练。有关可用参数的完整列表，请参阅训练指南。

  • 汽车部件分割支持汽车质量控制、汽车维修、电商目录编目、交通监控、自动驾驶汽车感知、保险定损、回收利用以及智慧城市倡议——有关每个用例的详细信息，请参见上方的应用章节。

  • 包含数据集路径和类别等详细信息的数据集配置文件 carparts-seg.yaml 位于 Ultralytics GitHub 仓库中：carparts-seg.yaml。

  • 该数据集提供了丰富且经过标注的数据，对于为汽车应用开发准确的分割模型至关重要。其多样性有助于提高模型在自动车辆检测、增强安全系统和支持自动驾驶技术等真实场景中的鲁棒性和性能。使用像这样高质量、领域特定的数据集可以加速 AI 开发。

贡献者
GLglenn-jocher15RIRizwanMunawar7RAraimbekovm4MImiles-deans-ultralytics1ONonuralpszr1LEleonnil1MAMatthewNoyce1

评论