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:3,156 张图像,用作模型的训练数据,用于深度学习模型训练。
- 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。
- 电商商品目录整理:自动为线上商店中的汽车零部件添加标签并分类。
- 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:为智慧城市中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#
如需在 Carparts Segmentation 数据集上以 640 的图像尺寸训练一个 Ultralytics YOLO26n-seg 模型,训练 100 个周期,请使用以下代码片段。
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中使用 Carparts Segmentation 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。该数据集提供像素级标注,可用于开发适用于汽车领域的精准分割模型。数据集的多样性有助于提升模型在自动车辆检测、车辆安全系统和自动驾驶等现实场景中的鲁棒性。
评论2
提出问题、分享结果,或帮助其他人。
SHAHFAISAL80
hi how i test this vehicle parts for any random dataset
Glenn JocherUltralytics(已编辑)@SHAHFAISAL80 to test vehicle parts segmentation on any random dataset, you can modify the dataset configuration file (YAML) to point to your dataset's paths and classes. Then, use the following command to train the model:
yolo segment train data=your_dataset.yaml model=yolo26n-seg.pt epochs=100 imgsz=640For more details, visit the Ultralytics documentation.



