mitbersh/car-parts-segmentation-yolo

该数据集是用于汽车零件分割的YOLO版本数据集，属于AutoInspect项目的一部分。数据集基于HITL提供的原始数据集，并对成对零件（如车灯、镜子、车轮等）添加了左右侧标签。数据集通过分层策略分为训练集、验证集和测试集，以确保在汽车角度、零件类别和侧面等不同因素上的平衡分布。

This dataset is a YOLO version for car parts segmentation, part of the AutoInspect project. It is based on the original dataset from HITL, with added side tags (left/right) for paired parts like headlights, mirrors, wheels, etc. The dataset is split into train, val, and test sets using hierarchical stratification to maintain balance across various factors such as car angles, parts classes, and sides.

搜集汇总

数据集介绍

构建方式

该数据集源自AutoInspect项目，基于HITL提供的汽车部件与损伤数据集构建而成。原始图像经过筛选与标注，针对成对出现的部件（如大灯、尾灯、后视镜等）借助Supervisely App工具添加了侧边标签（left/right），以区分左右部件。随后，数据被转换为Ultralytics YOLO格式的语义分割标注。数据集采用层次化分层策略进行划分，首先按车辆视角分组，每个视角桶内以80/10/10的比例分割为训练、验证和测试集，再通过贪心均衡算法对部件类别、基础类别、侧边标签及侧边特定类别进行平衡，确保各子集分布与完整数据集相近，避免了视角或侧边偏差。

特点

该数据集以车辆部件细粒度分割为核心特色，覆盖了包括前大灯、尾灯、后视镜、前后窗、车门、车轮、翼子板、侧围板及门槛板在内的12类成对部件，并通过左右侧标签实现了对称部件的精准区分。数据集采用YOLO格式，直接兼容Ultralytics YOLO系列模型，便于分割任务训练。层次化分层划分策略确保了验证集和测试集在部件类别、视角及侧边分布上的代表性，避免了数据倾斜。此外，项目提供了详细的划分分析文件，供用户进一步验证数据集平衡性，提升了数据集的透明度和可靠性。

使用方法

该数据集可直接用于训练YOLOv8及后续版本的语义分割模型。用户需加载YOLO格式的标注文件，通过Ultralytics库中的YOLO类实例化模型，指定数据集配置文件路径即可启动训练。数据集已在HuggingFace上提供，支持通过`datasets`库下载，或直接克隆仓库获取本地副本。使用时，用户应关注`train`、`val`、`test`三部分的划分，并参考`split_analysis`文件夹中的平衡分析，以根据具体应用场景微调数据比例或进行迁移学习。推荐结合AutoInspect项目管道中的视角分类与损伤分割步骤，构建完整的车辆检测与评估系统。

背景与挑战

背景概述

在计算机视觉与自动驾驶技术迅猛发展的当下，车辆部件精确分割成为智能检测、损伤评估及自动化维修系统的关键环节。针对该需求，AutoInspect项目团队于近期推出了车部件分割数据集（car-parts-segmentation-yolo），该数据集由mitbersh等研究者基于HITL（Humans In The Loop）提供的原始数据构建而成，是AutoInspect管线中承前启后的核心模块。其核心研究问题聚焦于从不同视角的车辆图像中精准分割出包括前灯、尾灯、车门、车轮等在内的12类成对部件，并标识其左右侧属性，从而提升对车辆结构认知的细粒度。该数据集的发布为车辆损伤检测、保险定损以及自动驾驶感知等应用提供了高质量的基准资源，对推动汽车后市场智能化进程具有显著影响力。

当前挑战

该数据集旨在解决车辆部件分割领域中因视角多变、部件对称性强、遮挡频繁带来的模型泛化难题。在构建过程中，首要挑战是成对部件的左右侧标签标注的准确性与一致性，团队借助Supervisely工具对原始数据进行了二次标注，以消除歧义。其次，数据分布的不均衡问题——不同视角下车部件出现频率各异——通过分层抽样与贪婪平衡策略加以应对：先依据视角分组，再在每组内按80/10/10比例划分训练、验证与测试集，并针对部件类别、侧属性及侧特定类别进行平衡，确保各子集分布与全数据集高度一致，最终生成的Split分析文件详细验证了该平衡效果。

常用场景

经典使用场景

在计算机视觉与智能驾驶辅助领域，car-parts-segmentation-yolo数据集为车辆部件实例分割任务提供了高精度的标注资源，其标注细粒度涵盖车灯、车门、车轮、翼子板等关键部件，并针对左右对称部件区分了侧边属性。经典使用场景包括基于YOLO架构的车辆部件实时分割模型的训练与评估，学术研究中常以此数据集验证不同骨干网络对密集部件识别和边缘精细化的能力。通过层级化视角分组与类别平衡的分割策略，该数据集确保了模型在多视角、多尺度下的泛化性能，成为车辆部件感知研究中不可或缺的基准资源。

解决学术问题

该数据集有效解决了车辆部件在复杂姿态和遮挡条件下的精细分割难题，传统数据集往往因视角单一或部件类别不完整，导致模型对左右对称部件或相邻部件的辨别能力不足。通过引入侧边标签与层级化数据集划分策略，研究得以深入探讨部件语义边界与空间关系建模。其意义在于推动了智能检测系统从粗粒度车体识别向细粒度部件解析的跃迁，为后续损伤检测、3D重建等任务提供了可靠的部件级先验，显著提升了相关模型在学术基准上的鲁棒性与准确率。

衍生相关工作

基于该数据集，学术界涌现了多项衍生工作，包括融合视角分类与部件分割的多任务学习框架，以及利用部件侧边属性进行对称性推理的结构分析模型。研究者还进一步扩展了该数据集的应用边界，开发了面向复杂光照和遮挡场景的数据增强策略，并提出了部件级对抗域适应方法以提升迁移学习效果。同时，该数据集的层级化划分策略被借鉴用于构建其他任意组成部分的细粒度分割基准，推动了精细化视觉感知领域的方法论创新。