مجموعة بيانات تجزئة أجزاء السيارات#

3,833

Carparts-Seg

ultralytics

publicSegment

Carparts-Seg contains automotive images with instance masks for 23 exterior parts, including bumpers, doors, glass, lights, mirrors, hood, trunk, tailgate, and wheels. It supports vehicle-part inspection, damage analysis, repair estimation, and visual inventory.

23 classes247.1 MBSep 2, 2026

back_bumperback_doorback_glassback_left_door+19

instance-segmentationautomotivecar-parts+1

توفر Ultralytics Carparts Segmentation Dataset‏ 3,833 صورة مشروحة ضمن 23 فئة لأجزاء السيارات — تشمل المصدات والأبواب والمصابيح والمرايا وغطاء المحرك والصندوق الخلفي — لتدريب نماذج تقسيم الكائنات على مهام الرؤية الحاسوبية الخاصة بالسيارات. وقد التُقطت الصور من منظورات متعددة وشُرحت باستخدام أقنعة على مستوى البكسل، وهي تتكامل مباشرةً مع Ultralytics YOLO لحالات استخدام تتراوح من مراقبة الجودة وإصلاح السيارات إلى تقييم الأضرار الناجمة عن مطالبات التأمين وإدراك المركبات ذاتية القيادة.

بنية مجموعة البيانات#

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

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

التطبيقات#

تجد تجزئة أجزاء السيارات تطبيقات 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 الميكانيكيين في تحديد الأجزاء التي تحتاج إلى إصلاح أو استبدال.
• فهرسة التجارة الإلكترونية: وضع علامات وتصنيف أجزاء السيارات تلقائيًا في المتاجر الإلكترونية لمنصات التجارة الإلكترونية.
• مراقبة حركة المرور: تحليل مكونات المركبات في لقطات المراقبة المرورية.
• المركبات ذاتية القيادة: تحسين أنظمة إدراك السيارات ذاتية القيادة لفهم المركبات المحيطة بصورة أفضل.
• معالجة التأمين: أتمتة تقييم الأضرار من خلال تحديد أجزاء السيارات المتضررة أثناء مطالبات التأمين.
• إعادة التدوير: فرز مكونات المركبات لإجراء عمليات إعادة تدوير فعّالة.
• مبادرات المدن الذكية: توفير بيانات للتخطيط الحضري وأنظمة إدارة حركة المرور ضمن المدن الذكية.

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

YAML مجموعة البيانات#

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

الاستخدام#

لتدريب نموذج Ultralytics YOLO26 على مجموعة بيانات تجزئة أجزاء السيارات لمدة 100 حقبة وبحجم صورة يبلغ 640، استخدم مقتطفات التعليمات البرمجية التالية. راجع دليل تدريب النموذج للاطلاع على قائمة شاملة بالوسائط المتاحة، واستكشف نصائح تدريب النموذج لمعرفة 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")

بيانات العينة والتعليقات التوضيحية#

فيما يلي صورة نموذجية من مجموعة بيانات تجزئة أجزاء السيارات مع تراكب أقنعة تجزئة الكائنات عليها، توضح كيفية تحديد الأجزاء الفردية للسيارة وتسميتها:

تغطي مجموعة البيانات مواقع وظروف إضاءة وكثافات مختلفة للكائنات، مما يعرّض النماذج المدربة عليها لمجموعة المشاهد الواقعية التي ستحتاج إلى التعميم عبرها.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات تجزئة أجزاء السيارات في أبحاثك أو جهودك التطويرية، فيُرجى 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 },
}

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

الأسئلة الشائعة#