ابدأ

مجموعة بيانات تجزئة أجزاء السيارات

Open Carparts Segmentation Dataset In Colab

توفر مجموعة بيانات تجزئة أجزاء السيارات من Ultralytics عدد 3,833 صورة مشروحة توضيحيًا عبر 23 فئة لأجزاء السيارات — منها المصدات والأبواب والأضواء والمرايا وغطاء المحرك والصندوق الخلفي — لتدريب نماذج تجزئة الكائنات الفردية على مهام الرؤية الحاسوبية في قطاع السيارات. جُمعت الصور من زوايا متعددة، وأُضيفت إليها تعليقات توضيحية بأقنعة على مستوى البكسل، وهي متوافقة مباشرة مع Ultralytics YOLO لحالات استخدام تمتد من مراقبة جودة السيارات وإصلاحها إلى تقييم أضرار مطالبات التأمين وإدراك المركبات ذاتية القيادة.



شاهد: كيفية تقسيم أجزاء السيارات باستخدام منصة Ultralytics | التدريب والنشر والاستدلال | Ultralytics YOLO26 🚀

بنية مجموعة البيانات#

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

  • مجموعة التدريب: 3,156 صورة تُستخدم بيانات تدريب لنموذج التعلم العميق.
  • مجموعة التحقق: 401 صورة تُستخدم أثناء التدريب لضبط المعلمات الفائقة ومنع فرط التكيّف على بيانات التحقق.
  • مجموعة الاختبار: 276 صورة تُستخدم لتقييم النموذج على بيانات الاختبار المحجوبة بعد التدريب.
  • الفئات: 23 فئة إجمالًا — 22 فئة مسماة لأجزاء السيارات (المصدات والأبواب والأضواء والزجاج والمرايا وغطاء المحرك والباب الخلفي والصندوق الخلفي والعجلات)، بالإضافة إلى فئة جامعة object للأجزاء التي لا تندرج ضمن هذه الفئات.
  • حجم التنزيل: ~133 ميغابايت.

التطبيقات#

تُستخدم مجموعة بيانات تجزئة أجزاء السيارات في مجالات متنوعة، منها:

  • مراقبة جودة السيارات: تحديد العيوب أو أوجه عدم الاتساق في أجزاء السيارات أثناء التصنيع (الذكاء الاصطناعي في التصنيع).
  • إصلاح السيارات: مساعدة الفنيين على تحديد الأجزاء التي تحتاج إلى إصلاح أو استبدال.
  • فهرسة التجارة الإلكترونية: وسم قطع غيار السيارات وتصنيفها تلقائيًا في المتاجر الإلكترونية.
  • مراقبة حركة المرور: تحليل مكونات المركبات في لقطات المراقبة المرورية.
  • المركبات ذاتية القيادة: تعزيز أنظمة الإدراك في السيارات ذاتية القيادة لتحسين فهمها للمركبات المحيطة.
  • معالجة مطالبات التأمين: أتمتة تقييم الأضرار من خلال تحديد أجزاء السيارة المتضررة أثناء مطالبات التأمين.
  • إعادة التدوير: فرز مكونات المركبات لتحسين كفاءة عمليات إعادة التدوير.
  • مبادرات المدن الذكية: المساهمة بالبيانات في أنظمة التخطيط الحضري وإدارة حركة المرور ضمن المدن الذكية.

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

ملف YAML لمجموعة البيانات#

يحدد ملف YAML إعدادات مجموعة البيانات، بما في ذلك المسارات وأسماء الفئات والتفاصيل الأساسية الأخرى. وبالنسبة إلى مجموعة بيانات تجزئة أجزاء السيارات، يتوفر الملف carparts-seg.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. يمكنك معرفة المزيد عن تنسيق YAML على yaml.org.

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

الاستخدام#

لتدريب نموذج Ultralytics YOLO26n-seg على مجموعة بيانات تجزئة قطع السيارات لمدة 100 حقبة وبحجم صورة 640، استخدم مقتطفات الشيفرة التالية.

مثال على التدريب
from ultralytics import YOLO

# ⁨حمّل نموذج تجزئة مدرّبًا مسبقًا مثل YOLO26n-seg⁩
model = YOLO("yolo26n-seg.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨درّب النموذج على مجموعة بيانات تجزئة أجزاء السيارات⁩
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

# ⁨بعد التدريب، يمكنك التحقق من أداء النموذج على مجموعة التحقق⁩
results = model.val()

# ⁨أو إجراء التنبؤ على صور أو مقاطع فيديو جديدة⁩
results = model.predict("path/to/your/image.jpg")

البيانات النموذجية والتعليقات التوضيحية#

فيما يلي صورة نموذجية من مجموعة بيانات تجزئة أجزاء السيارات، تظهر عليها أقنعة تجزئة الكائنات، موضحةً كيفية تحديد حدود كل جزء من أجزاء السيارة وتسميته:

عينة من مجموعة بيانات تجزئة قطع غيار السيارات مع أقنعة الأجزاء الموسومة

تغطي مجموعة البيانات مواقع وظروف إضاءة وكثافات كائنات متنوعة، ما يعرّض النماذج المدرّبة عليها لمجموعة المشاهد الواقعية التي ستحتاج إلى التعميم عليها.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات تجزئة قطع غيار السيارات في أبحاثك أو أعمال التطوير، فيُرجى الاستشهاد بالمصدر الأصلي:

الاستشهاد
@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 },
}

نقرّ بمساهمة Gianmarco Russo وفريق Roboflow في إنشاء مجموعة البيانات القيّمة هذه وصيانتها لخدمة مجتمع الرؤية الحاسوبية. لمزيد من مجموعات البيانات، تفضل بزيارة مجموعة بيانات Ultralytics.

الأسئلة الشائعة#

  • مجموعة بيانات تجزئة أجزاء السيارات مجموعة منتقاة تضم 3,833 صورة مشروحة توضيحيًا، موزعة على 23 فئة لأجزاء السيارات — المصدات والأبواب والأضواء والمرايا وغطاء المحرك والصندوق الخلفي وغيرها — لتدريب نماذج تجزئة الكائنات الفردية وتقييمها. أُعدّت لتطبيقات الرؤية الحاسوبية في قطاع السيارات، مثل مراقبة الجودة وإصلاح السيارات وتقييم الأضرار، وتُستخدم مباشرةً مع YOLO26 من Ultralytics عبر ملف الإعدادات carparts-seg.yaml.

  • تضم مجموعة البيانات 3,833 صورة إجمالًا — 3,156 للتدريب و401 للتحقق و276 للاختبار — موزعة على 23 فئة: 22 فئة مسماة لأجزاء السيارات، بالإضافة إلى فئة جامعة object للأجزاء التي لا تندرج ضمنها. يُنزّل الأرشيف الكامل تلقائيًا عند الاستخدام الأول، ويبلغ حجمه ~133 ميغابايت بصيغة .zip.

  • حمّل نموذج تجزئة مدرّبًا مسبقًا (مثل yolo26n-seg.pt) ودرّبه باستخدام إعدادات carparts-seg.yaml عبر مقتطفات Python أو CLI الواردة في قسم الاستخدام أعلاه. راجع دليل التدريب للاطلاع على القائمة الكاملة للوسيطات المتاحة.

  • تدعم تجزئة أجزاء السيارات مراقبة جودة السيارات وإصلاحها وفهرسة التجارة الإلكترونية ومراقبة حركة المرور وإدراك المركبات ذاتية القيادة وتقييم أضرار التأمين وإعادة التدوير ومبادرات المدن الذكية — راجع قسم التطبيقات أعلاه للاطلاع على تفاصيل كل حالة استخدام.

  • يوجد ملف إعدادات مجموعة البيانات carparts-seg.yaml، الذي يتضمن تفاصيل مسارات مجموعة البيانات وفئاتها، في مستودع Ultralytics على GitHub: carparts-seg.yaml.

  • توفر مجموعة البيانات شروحًا على مستوى البكسل لتطوير نماذج تجزئة دقيقة لتطبيقات السيارات. ويسهم تنوعها في تعزيز متانة النماذج في سيناريوهات العالم الحقيقي، مثل فحص المركبات آليًا وأنظمة سلامة المركبات والقيادة الذاتية.

التعليقات2

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

    1. Glenn JocherUltralytics(تم التعديل)

      @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=640

      For more details, visit the Ultralytics documentation.