مجموعة بيانات تقسيم أجزاء السيارة (Carparts Segmentation Dataset)

مجموعة بيانات تقسيم أجزاء السيارة هي مجموعة منظمة من الصور ومقاطع الفيديو المصممة لتطبيقات الرؤية الحاسوبية، مع التركيز بشكل خاص على مهام التقسيم. توفر مجموعة البيانات هذه مجموعة متنوعة من العناصر المرئية التي تم التقاطها من وجهات نظر متعددة، وتقدم أمثلة موضحة قيمة لتدريب واختبار نماذج التقسيم.

سواء كنت تعمل على البحوث المتعلقة بالسيارات، أو تطور حلول الذكاء الاصطناعي لصيانة المركبات، أو تستكشف تطبيقات الرؤية الحاسوبية، فإن مجموعة بيانات تقسيم أجزاء السيارة تعد مورداً قيماً لتعزيز الدقة وكفاءة مشاريعك باستخدام نماذج مثل Ultralytics YOLO.

هيكل مجموعة البيانات

يتم تنظيم توزيع البيانات داخل مجموعة بيانات تقسيم أجزاء السيارة كما يلي:

• Training set: Includes 3156 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
• مجموعة الاختبار: تتكون من 276 صورة، كل منها مقترنة بالشروحات الخاصة بها. تُستخدم هذه المجموعة لتقييم أداء النموذج بعد التدريب باستخدام بيانات الاختبار.
• مجموعة التحقق: تتكون من 401 صورة، لكل منها شروحات مقابلة. تُستخدم هذه المجموعة أثناء التدريب لضبط المعاملات الفائقة ومنع فرط التخصيص باستخدام بيانات التحقق.

التطبيقات

تجد تطبيقات تقسيم أجزاء السيارة استخدامات في مجالات متنوعة بما في ذلك:

• مراقبة جودة السيارات: تحديد العيوب أو التناقضات في أجزاء السيارة أثناء التصنيع (الذكاء الاصطناعي في التصنيع).
• إصلاح السيارات: مساعدة الميكانيكيين في تحديد الأجزاء اللازمة للإصلاح أو الاستبدال.
• فهرسة التجارة الإلكترونية: وضع علامات وتصنيف أجزاء السيارات تلقائياً في المتاجر عبر الإنترنت لمنصات التجارة الإلكترونية.
• مراقبة حركة المرور: تحليل مكونات المركبات في لقطات مراقبة حركة المرور.
• المركبات ذاتية القيادة: تعزيز أنظمة الإدراك في السيارات ذاتية القيادة لفهم المركبات المحيطة بشكل أفضل.
• معالجة التأمين: أتمتة تقييم الأضرار من خلال تحديد أجزاء السيارة المتضررة أثناء مطالبات التأمين.
• إعادة التدوير: فرز مكونات المركبات لعمليات إعادة تدوير فعالة.
• مبادرات المدن الذكية: المساهمة بالبيانات في التخطيط الحضري وأنظمة إدارة حركة المرور داخل المدن الذكية.

من خلال تحديد وتصنيف مكونات المركبات المختلفة بدقة، يعمل تقسيم أجزاء السيارة على تبسيط العمليات والمساهمة في زيادة الكفاءة والأتمتة عبر هذه الصناعات.

ملف YAML الخاص بمجموعة البيانات

يحدد ملف YAML (لغة توصيف أخرى) تكوين مجموعة البيانات، بما في ذلك المسارات، وأسماء الفئات، وغيرها من التفاصيل الأساسية. بالنسبة لمجموعة بيانات تقسيم أجزاء السيارة، يتوفر ملف carparts-seg.yaml على 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

الاستخدام

لتدريب نموذج Ultralytics YOLO26 على مجموعة بيانات تقسيم أجزاء السيارة لمدة 100 عصر بحجم صورة 640، استخدم مقتطفات الكود التالية. ارجع إلى 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")

عينة البيانات والشروحات

تتضمن مجموعة بيانات تقسيم أجزاء السيارة مجموعة متنوعة من الصور ومقاطع الفيديو الملتقطة من وجهات نظر مختلفة. فيما يلي أمثلة تعرض البيانات والشروحات المقابلة لها:

• توضح الصورة تقسيم الكائنات داخل نموذج صورة سيارة. تُبرز صناديق التحديد الموضحة مع الأقنعة أجزاء السيارة التي تم تحديدها (على سبيل المثال، المصابيح الأمامية، الشبك).
• تتميز مجموعة البيانات بمجموعة متنوعة من الصور الملتقطة في ظل ظروف مختلفة (المواقع، الإضاءة، كثافة الكائنات)، مما يوفر مورداً شاملاً لتدريب نماذج قوية لتقسيم أجزاء السيارة.
• يؤكد هذا المثال على تعقيد مجموعة البيانات وأهمية البيانات عالية الجودة لمهام الرؤية الحاسوبية، خاصة في المجالات المتخصصة مثل تحليل مكونات السيارات. يمكن لتقنيات مثل تعزيز البيانات أن تعزز تعميم النموذج بشكل أكبر.

الاقتباسات والشكر

إذا كنت تستخدم مجموعة بيانات تقسيم أجزاء السيارة في أبحاثك أو جهود التطوير الخاصة بك، فيرجى 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 نقر بمساهمة جيانماركو روسو وفريق Roboflow في إنشاء والحفاظ على مجموعة البيانات القيمة هذه لمجتمع الرؤية الحاسوبية. لمزيد من مجموعات البيانات، تفضل بزيارة مجموعة بيانات Ultralytics.

الأسئلة الشائعة

ما هي مجموعة بيانات تقسيم أجزاء السيارة؟

مجموعة بيانات تقسيم أجزاء السيارة هي مجموعة متخصصة من الصور ومقاطع الفيديو لتدريب نماذج الرؤية الحاسوبية على تنفيذ التقسيم لأجزاء السيارة. وهي تتضمن عناصر مرئية متنوعة مع شروحات مفصلة، مناسبة لتطبيقات الذكاء الاصطناعي في السيارات.

كيف يمكنني استخدام مجموعة بيانات تقسيم أجزاء السيارة مع Ultralytics YOLO26؟

يمكنك تدريب نموذج تقسيم Ultralytics YOLO26 باستخدام مجموعة البيانات هذه. قم بتحميل نموذج مدرب مسبقاً (على سبيل المثال، yolo26n-seg.pt) وابدأ التدريب باستخدام أمثلة Python أو CLI المقدمة، مع الرجوع إلى ملف التكوين carparts-seg.yaml. راجع 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)

ما هي بعض تطبيقات تقسيم أجزاء السيارة؟

تقسيم أجزاء السيارة مفيد في:

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

أين يمكنني العثور على ملف تكوين مجموعة البيانات لتقسيم أجزاء السيارة؟

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

لماذا يجب أن أستخدم مجموعة بيانات تقسيم أجزاء السيارة؟

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