Link to this sectionمجموعة بيانات تجزئة قطع غيار السيارات#

توفر مجموعة بيانات تجزئة أجزاء السيارات من Ultralytics 3,833 صورة مُصنفة عبر 23 فئة من فئات أجزاء السيارات - بما في ذلك المصدات، والأبواب، والمصابيح، والمرايا، وغطاء المحرك، وصندوق الأمتعة - لتدريب نماذج تجزئة المثيلات في مهام رؤية الحاسوب الخاصة بالسيارات. تم التقاط هذه الصور من وجهات نظر متعددة وتم تصنيفها بأقنعة على مستوى البكسل، وهي تتكامل مباشرة مع Ultralytics YOLO لاستخدامات تتراوح من مراقبة جودة السيارات وإصلاحها إلى تقييم أضرار مطالبات التأمين والإدراك في المركبات ذاتية القيادة.

Link to this sectionهيكل مجموعة البيانات#

تقسم مجموعة بيانات تجزئة أجزاء السيارات صورها البالغ عددها 3,833 صورة كما يلي:

• Training set: 3,156 images used for training the deep learning model.
• مجموعة التحقق: 401 صورة تستخدم أثناء التدريب لضبط المعلمات الفائقة ومنع فرط التخصيص على بيانات التحقق.
• مجموعة الاختبار: 276 صورة تستخدم لتقييم النموذج على بيانات اختبار محجوزة بعد التدريب.
• الفئات: 23 فئة في المجموع - 22 فئة مسمى لأجزاء السيارات (المصدات، والأبواب، والمصابيح، والزجاج، والمرايا، وغطاء المحرك، والباب الخلفي، وصندوق الأمتعة، والعجلات) بالإضافة إلى فئة شاملة object للأجزاء التي تقع خارج تلك الفئات.
• حجم التنزيل: حوالي 133 ميجابايت.

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.

يمكن أيضًا تصفح وإدارة مجموعة بيانات تجزئة أجزاء السيارات الكاملة على منصة Ultralytics.

Link to this sectionYAML مجموعة البيانات#

يُحدد ملف YAML إعدادات مجموعة البيانات، بما في ذلك المسارات وأسماء الفئات وتفاصيل أساسية أخرى. بالنسبة لمجموعة بيانات Carparts Segmentation، 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') 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

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#

فيما يلي صورة نموذجية من مجموعة بيانات تجزئة أجزاء السيارات مع تراكب أقنعة تجزئة الكائنات الخاصة بها، مما يوضح كيفية تحديد وتصنيف أجزاء السيارات الفردية:

تمتد مجموعة البيانات عبر مواقع متنوعة وظروف إضاءة وكثافات كائنات مختلفة، مما يمنح النماذج التي تم تدريبها عليها خبرة في مجموعة من المشاهد الواقعية التي ستحتاج إلى التعميم عبرها.

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 أجزاء السيارات، وكيف يتم استخدامها في Ultralytics YOLO26؟#

تعد مجموعة بيانات تجزئة أجزاء السيارات مجموعة مختارة من 3,833 صورة مُصنفة تغطي 23 فئة من فئات أجزاء السيارات - المصدات، والأبواب، والمصابيح، والمرايا، وغطاء المحرك، وصندوق الأمتعة، والمزيد - لتدريب وتقييم نماذج تجزئة المثيلات. لقد تم بناؤها لتطبيقات رؤية الحاسوب في السيارات مثل مراقبة الجودة، وإصلاح السيارات، وتقييم الأضرار، وتستخدم مباشرة مع Ultralytics YOLO26 عبر ملف الإعدادات carparts-seg.yaml.

Link to this sectionكم عدد الصور والفئات التي تحتوي عليها مجموعة بيانات تجزئة أجزاء السيارات؟#

يبلغ إجمالي مجموعة البيانات 3,833 صورة - 3,156 للتدريب، و401 للتحقق، و276 للاختبار - عبر 23 فئة: 22 فئة مسمى لأجزاء السيارات بالإضافة إلى فئة شاملة object للأجزاء خارجها. يتم تنزيل الأرشيف الكامل تلقائيًا كملف .zip بحجم حوالي 133 ميجابايت عند الاستخدام لأول مرة.

Link to this sectionكيف يمكنني تدريب نموذج Ultralytics YOLO26 على مجموعة بيانات تجزئة أجزاء السيارات؟#

قم بتحميل نموذج تجزئة مُدرب مسبقًا (مثل yolo26n-seg.pt) وقم بتدريبه باستخدام إعدادات carparts-seg.yaml باستخدام مقتطفات Python أو CLI في قسم الاستخدام أعلاه. راجع دليل التدريب للحصول على القائمة الكاملة للمعاملات المتاحة.

Link to this sectionما هي بعض تطبيقات مجموعة بيانات تجزئة أجزاء السيارات؟#

تدعم تجزئة أجزاء السيارات مراقبة جودة السيارات، وإصلاح السيارات، وفهرسة التجارة الإلكترونية، ومراقبة المرور، وإدراك المركبات ذاتية القيادة، وتقييم أضرار التأمين، وإعادة التدوير، ومبادرات المدن الذكية - راجع قسم التطبيقات أعلاه للحصول على تفاصيل حول كل حالة استخدام.

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.