تخطي إلى المحتوى

مجموعة بيانات تجزئة السيارات

فتح مجموعة بيانات تجزئة السيارات في كولاب

مجموعة بيانات التجزئة Carparts Segmentation Datasation Dataset، المتوفرة على Roboflow Universe، هي مجموعة منسقة من الصور ومقاطع الفيديو المصممة لتطبيقات الرؤية الحاسوبية، مع التركيز بشكل خاص على مهام التجزئة. وتوفر مجموعة البيانات هذه، المستضافة على Roboflow Universe، مجموعة متنوعة من الصور الملتقطة من وجهات نظر متعددة، مما يوفر أمثلة مشروحة قيّمة لتدريب واختبار نماذج التجزئة.

سواء كنت تعمل على أبحاث السيارات، أو تطوير حلول الذكاء الاصطناعي لصيانة المركبات، أو استكشاف تطبيقات الرؤية الحاسوبية، فإن مجموعة بيانات تقسيم السيارات تُعدّ موردًا قيّمًا لتعزيز دقة وكفاءة مشاريعك باستخدام نماذج مثل Ultralytics YOLO.



شاهد: قطع غيار السيارات تجزئة المثيل مع Ultralytics YOLO11

هيكلية مجموعة البيانات

تم تنظيم توزيع البيانات داخل مجموعة بيانات تجزئة كاربارتس على النحو التالي:

التطبيقات

يجد تجزئة السيارات تطبيقات في مجالات مختلفة بما في ذلك:

  • مراقبة جودة السيارات: تحديد العيوب أو التناقضات في أجزاء السيارات أثناء التصنيع(الذكاء الاصطناعي في التصنيع).
  • تصليح السيارات: مساعدة الميكانيكيين في تحديد قطع الغيار اللازمة للإصلاح أو الاستبدال.
  • فهرسة التجارة الإلكترونية: وضع علامات على قطع غيار السيارات وتصنيفها تلقائياً في المتاجر الإلكترونية لمنصات التجارة الإلكترونية.
  • مراقبة حركة المرور: تحليل مكونات المركبات في لقطات مراقبة حركة المرور.
  • المركبات ذاتية القيادة: تحسين أنظمة الإدراك في السيارات ذاتية القيادة لفهم المركبات المحيطة بها بشكل أفضل.
  • معالجة التأمين: أتمتة تقييم الأضرار من خلال تحديد أجزاء السيارة المتضررة أثناء مطالبات التأمين.
  • إعادة التدوير: فرز مكونات المركبات من أجل عمليات إعادة التدوير الفعالة.
  • مبادرات المدن الذكية: المساهمة ببيانات للتخطيط الحضري وأنظمة إدارة حركة المرور داخل المدن الذكية.

من خلال تحديد مكونات السيارات المختلفة وتصنيفها بدقة، يعمل تصنيف قطع غيار السيارات على تبسيط العمليات ويساهم في زيادة الكفاءة والأتمتة في هذه الصناعات.

مجموعة البيانات YAML

A YAML (لغة ترميز أخرى) ملف يحدد تكوين مجموعة البيانات، بما في ذلك المسارات وأسماء الفئات والتفاصيل الأساسية الأخرى. بالنسبة إلى مجموعة بيانات تجزئة Carparts Segmentation، فإن ملف carparts-seg.yaml الملف متاح على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml. يمكنك معرفة المزيد حول 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 (132 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: ../datasets/carparts-seg # dataset root dir
train: train/images # train images (relative to 'path') 3516 images
val: valid/images # val images (relative to 'path') 276 images
test: test/images # 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 Ultralytics YOLO11 على مجموعة بيانات تجزئة Carparts Segmentation لـ 100 حلقة تدريبية بحجم صورة 640، استخدم مقتطفات التعليمات البرمجية التالية. ارجع إلى دليل تدريب النموذج للحصول على قائمة شاملة بالوسائط المتاحة واستكشف نصائح تدريب النموذج للحصول على أفضل الممارسات.

مثال على القطار

from ultralytics import YOLO

# Load a pretrained segmentation model like YOLO11n-seg
model = YOLO("yolo11n-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")

# Start training from a pretrained *.pt model using the Command Line Interface
# Specify the dataset config file, model, number of epochs, and image size
yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

# Validate the trained model using the validation set
# yolo segment val model=path/to/best.pt

# Predict using the trained model on a specific image source
# yolo segment predict model=path/to/best.pt source=path/to/your/image.jpg

عينة من البيانات والشروح

تتضمن مجموعة بيانات تجزئة Carparts Segmentation مجموعة متنوعة من الصور ومقاطع الفيديو التي تم التقاطها من وجهات نظر مختلفة. فيما يلي أمثلة تعرض البيانات والتعليقات التوضيحية المقابلة لها:

صورة عينة مجموعة البيانات

  • توضّح الصورة تجزئة الكائن داخل عينة من صورة سيارة. تبرز المربعات المحدَّدة ذات الأقنعة أجزاء السيارة المحددة (مثل المصابيح الأمامية والشبكة الأمامية).
  • تتميز مجموعة البيانات بمجموعة متنوعة من الصور التي تم التقاطها في ظروف مختلفة (المواقع، والإضاءة، وكثافة الأجسام)، مما يوفر موردًا شاملاً لتدريب نماذج قوية لتجزئة أجزاء السيارة.
  • يؤكد هذا المثال على مدى تعقيد مجموعة البيانات وأهمية البيانات عالية الجودة لمهام الرؤية الحاسوبية، خاصةً في المجالات المتخصصة مثل تحليل مكونات السيارات. يمكن لتقنيات مثل زيادة البيانات أن تعزز تعميم النموذج بشكل أكبر.

الاستشهادات والشكر والتقدير

إذا كنت تستخدم مجموعة بيانات Carparts Segmentation Segmentation في جهودك البحثية أو التطويرية، يُرجى ذكر المصدر 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 },
        journal = { Roboflow Universe },
        publisher = { Roboflow },
        year = { 2023 },
        month = { nov },
        note = { visited on 2024-01-24 },
    }

نحن نعترف بمساهمة جيانماركو روسو وفريق Roboflow في إنشاء وصيانة مجموعة البيانات القيّمة هذه لمجتمع الرؤية الحاسوبية. لمزيد من مجموعات البيانات، قم بزيارة مجموعة بياناتUltralytics Datasets.

الأسئلة الشائعة

ما هي مجموعة بيانات تجزئة كاربارتس؟

مجموعة بيانات تجزئة أجزاء السيارة هي مجموعة متخصصة من الصور ومقاطع الفيديو لتدريب نماذج الرؤية الحاسوبية على إجراء تجزئة أجزاء السيارة. وهي تتضمن صورًا متنوعة مع شروح مفصلة ومناسبة لتطبيقات الذكاء الاصطناعي للسيارات.

كيف يمكنني استخدام مجموعة بيانات تجزئة كاربارتس مع Ultralytics YOLO11 ؟

يمكنك تدريب Ultralytics YOLO11 نموذج تجزئة باستخدام مجموعة البيانات هذه. تحميل نموذج مدرب مسبقًا (على سبيل المثال, yolo11n-seg.pt) وبدء التدريب باستخدام أمثلة Python أو أمثلة CLI المتوفرة، بالرجوع إلى carparts-seg.yaml ملف التكوين. تحقق من دليل التدريب للحصول على تعليمات مفصلة.

مقتطف مثال على القطار

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)

yolo segment train data=carparts-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

ما هي بعض تطبيقات تجزئة السيارات؟

تجزئة Carparts مفيدة في:

  • مراقبة جودة السيارات: ضمان مطابقة الأجزاء للمعايير(الذكاء الاصطناعي في التصنيع).
  • تصليح السيارات: تحديد الأجزاء التي تحتاج إلى صيانة.
  • التجارة الإلكترونية: فهرسة قطع الغيار 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 لتجزئة كاربارتس؟

ملف تكوين مجموعة البيانات, carparts-seg.yamlالذي يحتوي على تفاصيل حول مسارات وفئات مجموعة البيانات، موجود في مستودع GitHub الخاص بـ Ultralytics : carparts-seg.yaml.

لماذا يجب استخدام مجموعة بيانات تجزئة كاربارتس؟

توفر مجموعة البيانات هذه بيانات غنية ومشروحة وضرورية لتطوير نماذج تجزئة دقيقة لتطبيقات السيارات. ويساعد تنوعها في تحسين متانة النموذج وأدائه في سيناريوهات العالم الحقيقي مثل الفحص الآلي للمركبات وتعزيز أنظمة السلامة ودعم تكنولوجيا القيادة الذاتية. يؤدي استخدام مجموعات بيانات عالية الجودة ومحددة المجال مثل هذه إلى تسريع عملية تطوير الذكاء الاصطناعي.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 21 يومًا
ليونيل غلين-جوتشر رضوان منور ألترالتيكسيستانتست ماثيو نويس

التعليقات