Link to this sectionمجموعة بيانات تجزئة قطع غيار السيارات#

مجموعة بيانات Carparts Segmentation هي مجموعة مختارة من الصور ومقاطع الفيديو المصممة لتطبيقات الرؤية الحاسوبية، مع التركيز بشكل خاص على مهام التجزئة. توفر مجموعة البيانات هذه مجموعة متنوعة من العناصر المرئية التي تم التقاطها من وجهات نظر متعددة، مما يوفر أمثلة قيمة مشروحة لتدريب واختبار نماذج التجزئة.

سواء كنت تعمل في أبحاث السيارات، أو تطور حلولاً تعتمد على الذكاء الاصطناعي لصيانة المركبات، أو تستكشف تطبيقات رؤية الحاسوب، فإن مجموعة بيانات تجزئة قطع غيار السيارات تُعد مورداً قيماً لتعزيز الدقة وكفاءة مشاريعك باستخدام نماذج مثل Ultralytics YOLO.

Link to this sectionهيكل مجموعة البيانات#

يتم تنظيم توزيع البيانات داخل مجموعة بيانات تجزئة قطع غيار السيارات كما يلي:

• Training set: Includes 3516 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• مجموعة الاختبار: تتكون من 401 صورة، حيث يتم إقران كل صورة بتعليقاتها التوضيحية الخاصة. تُستخدم هذه المجموعة لتقييم أداء النموذج بعد التدريب باستخدام بيانات الاختبار.
• مجموعة التحقق: تتكون من 276 صورة، لكل منها شروح مقابلة. تُستخدم هذه المجموعة أثناء التدريب لضبط المعلمات الفائقة ومنع فرط التخصيص باستخدام بيانات التحقق.

Link to this sectionالتطبيقات#

تجد تجزئة قطع غيار السيارات تطبيقات في مجالات متنوعة تشمل:

• مراقبة جودة السيارات: تحديد العيوب أو عدم الاتساق في قطع غيار السيارات أثناء التصنيع (الذكاء الاصطناعي في التصنيع).
• إصلاح السيارات: مساعدة الميكانيكيين في تحديد القطع اللازمة للإصلاح أو الاستبدال.
• فهرسة التجارة الإلكترونية: وضع علامات وتصنيف تلقائي لقطع غيار السيارات في المتاجر عبر الإنترنت لمنصات التجارة الإلكترونية.
• مراقبة حركة المرور: تحليل مكونات المركبات في لقطات مراقبة حركة المرور.
• المركبات ذاتية القيادة: تعزيز أنظمة الإدراك لـ السيارات ذاتية القيادة لفهم المركبات المحيطة بشكل أفضل.
• معالجة التأمين: أتمتة تقييم الأضرار من خلال تحديد قطع غيار السيارات المتضررة أثناء مطالبات التأمين.
• إعادة التدوير: فرز مكونات المركبات لعمليات إعادة تدوير فعالة.
• مبادرات المدن الذكية: المساهمة ببيانات لتخطيط المدن وأنظمة إدارة حركة المرور داخل المدن الذكية.

من خلال تحديد وتصنيف مكونات المركبات المختلفة بدقة، تعمل تجزئة قطع غيار السيارات على تبسيط العمليات وتساهم في زيادة الكفاءة والأتمتة عبر هذه الصناعات.

Link to this sectionYAML مجموعة البيانات#

يحدد ملف YAML (لغة ترميز أخرى) تكوين مجموعة البيانات، بما في ذلك المسارات، وأسماء الفئات، وغيرها من التفاصيل الأساسية. بالنسبة لمجموعة بيانات تجزئة قطع غيار السيارات، يتوفر ملف carparts-seg.yaml على الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. يمكنك معرفة المزيد حول تنسيق YAML في yaml.org.

# 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') 3516 images
val: images/val # val images (relative to 'path') 276 images
test: images/test # test images (relative to 'path') 401 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

Link to this sectionالاستخدام#

لتدريب نموذج Ultralytics YOLO26 على مجموعة بيانات Carparts Segmentation لمدة 100 حقبة بحجم صورة 640، استخدم مقتطفات التعليمات البرمجية التالية. راجع دليل التدريب للنموذج للحصول على قائمة شاملة بالوسيطات المتاحة واستكشف نصائح تدريب النموذج للحصول على أفضل الممارسات.

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")

Link to this sectionعينة من البيانات والتعليقات#

تتضمن مجموعة بيانات تجزئة قطع غيار السيارات مجموعة متنوعة من الصور ومقاطع الفيديو الملتقطة من وجهات نظر مختلفة. فيما يلي أمثلة تعرض البيانات وتصنيفاتها المقابلة:

• توضح الصورة تجزئة الكائنات داخل عينة صورة سيارة. تُبرز صناديق التحديد المشروحة مع الأقنعة أجزاء السيارة التي تم تحديدها (على سبيل المثال، المصابيح الأمامية، شبكة المبرد).
• تتميز مجموعة البيانات بمجموعة متنوعة من الصور الملتقطة في ظروف مختلفة (مواقع، إضاءة، كثافة كائنات)، مما يوفر مورداً شاملاً لتدريب نماذج قوية لتجزئة قطع غيار السيارات.
• يؤكد هذا المثال على تعقيد مجموعة البيانات وأهمية البيانات عالية الجودة لمهام رؤية الحاسوب، خاصة في المجالات المتخصصة مثل تحليل مكونات السيارات. يمكن لتقنيات مثل زيادة البيانات أن تعزز قدرة تعميم النموذج بشكل أكبر.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات تجزئة قطع غيار السيارات في جهود البحث أو التطوير الخاصة بك، يرجى الاستشهاد بالمصدر الأصلي:

   @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 },
    }

نحن نقدر مساهمة Gianmarco Russo وفريق Roboflow في إنشاء والحفاظ على مجموعة البيانات القيمة هذه لمجتمع الرؤية الحاسوبية. لمزيد من مجموعات البيانات، تفضل بزيارة مجموعة بيانات Ultralytics.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات تجزئة قطع غيار السيارات؟#

تعد مجموعة بيانات Carparts Segmentation مجموعة متخصصة من الصور ومقاطع الفيديو لتدريب نماذج الرؤية الحاسوبية على إجراء التجزئة لأجزاء السيارة. وهي تتضمن عناصر مرئية متنوعة مع شروح تفصيلية، وهي مناسبة لتطبيقات الذكاء الاصطناعي في مجال السيارات.

Link to this sectionكيف يمكنني استخدام مجموعة بيانات تجزئة قطع غيار السيارات مع Ultralytics YOLO26؟#

يمكنك تدريب نموذج تجزئة Ultralytics YOLO26 باستخدام مجموعة البيانات هذه. قم بتحميل نموذج مدرب مسبقاً (مثل yolo26n-seg.pt) وابدأ التدريب باستخدام أمثلة Python أو CLI الموفرة، مع الرجوع إلى ملف تكوين carparts-seg.yaml. تحقق من دليل التدريب للحصول على تعليمات مفصلة.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

Link to this sectionما هي بعض تطبيقات تجزئة قطع غيار السيارات؟#

تعد تجزئة قطع غيار السيارات مفيدة في:

• مراقبة جودة السيارات: ضمان مطابقة القطع للمعايير (الذكاء الاصطناعي في التصنيع).
• إصلاح السيارات: تحديد القطع التي تحتاج إلى صيانة.
• التجارة الإلكترونية: فهرسة القطع عبر الإنترنت.
• المركبات ذاتية القيادة: تحسين إدراك المركبة (الذكاء الاصطناعي في السيارات).
• التأمين: تقييم أضرار المركبة تلقائياً.
• إعادة التدوير: فرز القطع بكفاءة.

Link to this sectionأين يمكنني العثور على ملف تكوين مجموعة البيانات لتجزئة قطع غيار السيارات؟#

يوجد ملف تكوين مجموعة البيانات، carparts-seg.yaml، والذي يحتوي على تفاصيل حول مسارات مجموعة البيانات وفئاتها، في مستودع Ultralytics على GitHub: carparts-seg.yaml.

Link to this sectionلماذا يجب أن أستخدم مجموعة بيانات تجزئة قطع غيار السيارات؟#

تقدم مجموعة البيانات هذه بيانات غنية ومشروحة ضرورية لتطوير نماذج تجزئة دقيقة لتطبيقات السيارات. يساعد تنوعها في تحسين قوة النموذج وأدائه في سيناريوهات العالم الحقيقي مثل فحص المركبات المؤتمت، وتعزيز أنظمة السلامة، ودعم تكنولوجيا القيادة الذاتية. إن استخدام مجموعات بيانات عالية الجودة ومتخصصة في مجال معين مثل هذه يسرع من تطوير الذكاء الاصطناعي.