تخطي إلى المحتوى

مجموعة بيانات تجزئة قطع غيار السيارات

افتح مجموعة بيانات تجزئة قطع غيار السيارات في Colab

مجموعة بيانات تجزئة قطع غيار السيارات، المتوفرة على Roboflow Universe، هي مجموعة منسقة من الصور ومقاطع الفيديو المصممة لتطبيقات رؤية الكمبيوتر، مع التركيز تحديدًا على مهام التجزئة. تستضيف Roboflow Universe هذه المجموعة من البيانات، وهي توفر مجموعة متنوعة من الصور المرئية الملتقطة من وجهات نظر متعددة، وتقدم أمثلة مشروحة قيمة لتدريب واختبار نماذج التجزئة.

سواء كنت تعمل على أبحاث السيارات، أو تطوير حلول الذكاء الاصطناعي لصيانة المركبات، أو استكشاف تطبيقات رؤية الكمبيوتر، فإن مجموعة بيانات تجزئة قطع غيار السيارات Carparts Segmentation Dataset تعد مصدرًا قيمًا لتعزيز دقة وكفاءة مشاريعك باستخدام نماذج مثل Ultralytics YOLO.



شاهد: قطع غيار السيارات تجزئة المثيل مع Ultralytics YOLO11.

هيكل مجموعة البيانات

يتم تنظيم توزيع البيانات داخل مجموعة بيانات تجزئة قطع غيار السيارات على النحو التالي:

التطبيقات

تجد تجزئة قطع غيار السيارات تطبيقات في مجالات مختلفة بما في ذلك:

  • مراقبة جودة السيارات: تحديد العيوب أو التناقضات في قطع غيار السيارات أثناء التصنيع (الذكاء الاصطناعي في التصنيع).
  • إصلاح السيارات: مساعدة الميكانيكيين في تحديد قطع الغيار للإصلاح أو الاستبدال.
  • فهرسة التجارة الإلكترونية: وضع علامات وتصنيف قطع غيار السيارات تلقائيًا في المتاجر عبر الإنترنت لمنصات التجارة الإلكترونية.
  • مراقبة حركة المرور: تحليل مكونات المركبات في لقطات المراقبة المرورية.
  • المركبات ذاتية القيادة: تحسين أنظمة الإدراك في السيارات ذاتية القيادة لفهم أفضل للمركبات المحيطة.
  • معالجة التأمين: أتمتة تقييم الأضرار عن طريق تحديد أجزاء السيارة المتضررة أثناء مطالبات التأمين.
  • إعادة التدوير: فرز مكونات المركبات لعمليات إعادة التدوير الفعالة.
  • مبادرات المدن الذكية: المساهمة ببيانات لتخطيط المدن وأنظمة إدارة حركة المرور داخل المدن الذكية.

من خلال التحديد الدقيق وتصنيف مكونات السيارة المختلفة، يعمل تجزئة قطع غيار السيارات على تبسيط العمليات ويساهم في زيادة الكفاءة والأتمتة في هذه الصناعات.

ملف YAML لمجموعة البيانات

أ YAML ملف (Yet Another Markup Language) يحدد تكوين مجموعة البيانات، بما في ذلك المسارات وأسماء الفئات والتفاصيل الأساسية الأخرى. بالنسبة لمجموعة بيانات تجزئة قطع غيار السيارات، فإن carparts-seg.yaml الملف متاح على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yamlيمكنك معرفة المزيد حول تنسيق YAML في 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') 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 YOLO11 على مجموعة بيانات تجزئة قطع غيار السيارات لعدد 100 حقبة (epoch) بحجم صورة 640، استخدم مقتطفات التعليمات البرمجية التالية. راجع دليل التدريب الخاص بالنموذج للحصول على قائمة شاملة بالوسائط المتاحة واستكشف نصائح تدريب النموذج للحصول على أفضل الممارسات.

مثال على التدريب

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

نماذج من البيانات والتعليقات التوضيحية

تتضمن مجموعة بيانات Carparts Segmentation مجموعة متنوعة من الصور ومقاطع الفيديو الملتقطة من وجهات نظر مختلفة. فيما يلي أمثلة تعرض البيانات والشروح المقابلة لها:

نموذج صورة من مجموعة البيانات

  • توضح الصورة تقسيم الكائنات داخل عينة صورة لسيارة. المربعات المحيطة المشروحة مع الأقنعة تبرز أجزاء السيارة المحددة (مثل المصابيح الأمامية، الشبك).
  • تتميز مجموعة البيانات بمجموعة متنوعة من الصور الملتقطة في ظل ظروف مختلفة (المواقع والإضاءة وكثافة الكائنات)، مما يوفر موردًا شاملاً لتدريب نماذج تجزئة قطع غيار السيارات القوية.
  • يؤكد هذا المثال على تعقيد مجموعة البيانات وأهمية البيانات عالية الجودة لمهام رؤية الكمبيوتر، خاصة في المجالات المتخصصة مثل تحليل مكونات السيارات. يمكن لتقنيات مثل زيادة البيانات أن تعزز بشكل أكبر تعميم النموذج.

الاقتباسات والإقرارات

إذا كنت تستخدم مجموعة بيانات تجزئة قطع غيار السيارات في جهود البحث أو 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 },
        journal = { Roboflow Universe },
        publisher = { Roboflow },
        year = { 2023 },
        month = { nov },
        note = { visited on 2024-01-24 },
    }

نحن نقر بمساهمة جيانماركو روسو وفريق Roboflow في إنشاء هذه المجموعة القيمة من البيانات والحفاظ عليها لمجتمع رؤية الحاسوب. لمزيد من مجموعات البيانات، تفضل بزيارة مجموعة بيانات Ultralytics.

الأسئلة الشائعة

ما هي مجموعة بيانات تجزئة قطع غيار السيارات (Carparts Segmentation Dataset)؟

مجموعة بيانات تجزئة قطع غيار السيارات هي مجموعة متخصصة من الصور ومقاطع الفيديو لتدريب نماذج رؤية الكمبيوتر على إجراء تجزئة (segmentation) على قطع غيار السيارات. وهي تتضمن صورًا متنوعة مع شروحات تفصيلية، ومناسبة لتطبيقات الذكاء الاصطناعي في مجال السيارات.

كيف يمكنني استخدام مجموعة بيانات تجزئة قطع غيار السيارات مع Ultralytics YOLO11؟

يمكنك تدريب Ultralytics YOLO11 نموذج تجزئة باستخدام مجموعة البيانات هذه. قم بتحميل نموذج مُدرَّب مسبقًا (على سبيل المثال، yolo11n-seg.pt) وابدأ التدريب باستخدام أمثلة Python أو CLI المتوفرة، مع الإشارة إلى carparts-seg.yaml ملف التكوين. تحقق من دليل التدريب للحصول على تعليمات مفصلة.

مثال على مقتطف التدريب

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 قطع غيار السيارات؟

تجزئة قطع غيار السيارات مفيدة في:

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

أين يمكنني العثور على ملف تكوين مجموعة البيانات لتجزئة Carparts؟

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

لماذا يجب عليّ استخدام مجموعة بيانات تجزئة قطع غيار السيارات (Carparts Segmentation Dataset)؟

توفر هذه المجموعة بيانات غنية ومشروحة ضرورية لتطوير نماذج تجزئة دقيقة لتطبيقات السيارات. يساعد تنوعها على 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 ومخصصة للمجال مثل هذه يسرع تطوير الذكاء الاصطناعي.



📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 3 أشهر
glenn-jocher UltralyticsAssistant RizwanMunawar leonnil MatthewNoyce

تعليقات