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.

223 classes247.1 MBSep 2, 2026

back_bumperback_doorback_glassback_left_door+19

instance-segmentationautomotivecar-parts+1

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.

بنية مجموعة البيانات#

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

• مجموعة التدريب: 3,156 صورة تُستخدم في تدريب نموذج 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: وضع علامات على أجزاء السيارات في المتاجر الإلكترونية وتصنيفها تلقائيًا لصالح منصات التجارة 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: توفير بيانات لتخطيط المدن وأنظمة إدارة 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 🚀 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 640، استخدم مقتطفات الشيفرة التالية. راجع دليل تدريب النموذج للاطلاع على القائمة الشاملة للوسيطات المتاحة، واستكشف نصائح تدريب النماذج لمعرفة أفضل الممارسات.

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:

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 أجزاء السيارات في أبحاثك أو أعمال التطوير، 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 لخدمة مجتمع الرؤية الحاسوبية. لمزيد من مجموعات البيانات، تفضل بزيارة مجموعة بيانات Ultralytics.

الأسئلة الشائعة#