automotive-tools-instance-segmentation-demo

Hugging Face2026-07-29 更新2026-07-30 收录

工业工具实例分割

汽车车间视觉感知

数据链接：

https://huggingface.co/datasets/Katteryna/automotive-tools-instance-segmentation-demo 数据链接链接失效反馈

官方服务：

资源简介：

该数据集是一个专注于汽车手动工具实例分割的真实世界计算机视觉数据集。数据集包含579张高分辨率原始摄影图像（演示版为40张精选图像），全部在真实汽车车间环境中拍摄，无任何AI生成或网络抓取内容。数据集中包含37个物体类别，涵盖各种手动工具（如组合扳手、棘轮扳手、套筒、钳子、螺丝刀、锤子等）以及个人防护装备（安全眼镜、手套）。所有图像均采用手动创建的多边形分割标注，确保像素级精度，标注格式为YOLOv8分割格式，可轻松转换为COCO、CVAT、Pascal VOC等其他常见格式。数据集特别注重图像多样性，包含了油污工具、锈蚀工具、肮脏表面、强反光、运动模糊、明亮日光、低光照条件、室内车间照明、室外环境、部分遮挡、手持物体、多物体重叠、不同视角和尺度以及复杂背景等具有挑战性的真实世界条件，旨在提升模型在工业环境中的鲁棒性。该数据集专为商业AI开发设计，适用于实例分割、物体检测、工业自动化、机器人、自动化库存管理、智能车间、预测性维护、工具追踪、制造AI、仓库自动化以及计算机视觉研究等多种应用场景。数据集采用商业许可，未来计划扩展至约1000张图像并增加更多工具类别和工业场景。

This dataset is a real-world computer vision dataset focused on instance segmentation of automotive hand tools. It contains 579 high-resolution original photographic images (40 curated images in the demo version), all captured in real automotive workshop environments without any AI-generated or web-scraped content. The dataset includes 37 object categories covering various hand tools (e.g., combination wrenches, ratchet wrenches, sockets, pliers, screwdrivers, hammers, etc.) and personal protective equipment (safety glasses, gloves). All images are annotated with manually created polygon segmentation masks ensuring pixel-level accuracy, and the annotation format is YOLOv8 segmentation format, easily convertible to other common formats such as COCO, CVAT, Pascal VOC. The dataset particularly emphasizes image diversity, including challenging real-world conditions such as oil-stained tools, rusty tools, dirty surfaces, strong reflections, motion blur, bright sunlight, low-light conditions, indoor workshop lighting, outdoor environments, partial occlusion, hand-held objects, multiple overlapping objects, different viewpoints and scales, and complex backgrounds, aiming to improve model robustness in industrial environments. Designed for commercial AI development, the dataset is suitable for instance segmentation, object detection, industrial automation, robotics, automated inventory management, smart workshops, predictive maintenance, tool tracking, manufacturing AI, warehouse automation, and computer vision research. The dataset is licensed for commercial use, with future plans to expand to approximately 1000 images and add more tool categories and industrial scenarios.

创建时间：

2026-07-27

原始信息汇总

数据集概述：Automotive Hand Tools Instance Segmentation Demo

该数据集是一个用于实例分割任务的真实世界计算机视觉数据集，专注于汽车维修场景中的手持工具。它从包含579张真实汽车维修车间照片的商业数据集中精选了40张图片，用于展示完整数据集的图像和标注质量。

核心特点

数据来源：100%原创摄影，无AI生成或网络抓取图像。
标注方式：100%人工创建的多边形分割标注，边界准确且一致。
格式兼容：标注格式为YOLOv8分割格式，可轻松转换为COCO、CVAT、Pascal VOC、LabelMe等格式。
许可协议：商业许可，适合用于商业AI系统开发。

数据集统计

属性	值
任务	实例分割
标注格式	YOLOv8分割格式
图像数量	579（版本1.0）
对象类别	37
标注类型	多边形分割
图像分辨率	高分辨率
摄影类型	原创
许可	商业许可

对象类别（共37类）

ID	类别（原文）
0	wrench_combination
1	wrench_ratchet
2	breaker_bar
3	socket
4	socket_extension
5	pliers
6	wire_cutters
7	screwdriver
8	hammer
9	fastener
10	clip_removal_tool
11	chisel
12	PPE_safety_goggles
13	tool_case
14	long_nose_pliers
15	PPE_safety_gloves
16	lug_wrench
17	metal_shears
18	panel_removal_tool
19	angle_grinder
20	pincers
21	oil_dispenser
22	magnetic_pickup_tool
23	hose_clamp_pliers
24	band_strapping_tool
25	telescopic_tram_gauge
26	adjustable_wrench
27	bearing_puller
28	pry_bar
29	utility_knife
30	caliper
31	hose_clamp
32	hex_key
33	diagnostic_tool
34	torque_wrench
35	oil_filter_wrench
36	bar_clamp

图像多样性

数据集有意包含了真实生产环境中的困难条件，如：

清洁工具、油污工具、生锈工具、脏污表面
强烈反光、运动模糊、明亮阳光、低光照条件
室内车间照明、室外环境
部分遮挡、手持物体、多个重叠物体
各种视角、不同物体尺度、复杂背景

这些场景有助于提升模型的鲁棒性。

数据集结构

text Automotive_Hand_Tools_Instance_Segmentation/

├── README.md ├── LICENSE.md ├── data.yaml ├── classes.txt ├── metadata.xlsx │ ├── images/ │ ├── train/ │ └── val/ │ ├── labels/ │ ├── train/ │ └── val/ │ ├── preview/ │ ├── original/ │ ├── overlays/ │ └── preview.pdf │ └── scripts/

标注格式

采用Ultralytics YOLOv8分割格式，每个标注文件每行包含一个对象实例。

格式：

<class_id> <x1> <y1> <x2> <y2> ... <xn> <yn>

class_id — 对象类别ID
x 和 y — 归一化的多边形坐标

典型应用场景

实例分割
目标检测
工业自动化
机器人技术
自动化库存管理
智能车间
预测性维护
工具追踪
制造AI
仓库自动化
计算机视觉研究

未来开发计划

扩展至约1,000张原创图片
增加更多工具类别
引入更具挑战性的工业场景
增加对象多样性
持续改进标注质量

联系方式

Ekaterina Bocharova

LinkedIn：www.linkedin.com/in/екатерина-бочарова-0414a1416
Email：kattya.bocharova@gmail.com

搜集汇总

数据集介绍

automotive-tools-instance-segmentation-demo 数据集图片

构建方式

该数据集构建于真实的汽车维修车间环境，精选自579张原始商业摄影图像，涵盖37类常见汽车手动工具。所有图像均为百分之百原创拍摄，杜绝了AI生成或网络爬取数据。标注方面，每张图像均采用人工手动绘制的多边形分割标注，精确勾勒出每个工具实例的边界轮廓，并统一转换为YOLOv8分割格式，同时支持便捷转换至COCO、CVAT、Pascal VOC、LabelMe等多种主流标注格式。

使用方法

该数据集专门适用于实例分割与目标检测任务，可直接用于训练YOLOv8-seg、YOLOv11-seg、Mask R-CNN、Detectron2、MMDetection等主流深度学习分割架构，也可用于Segment Anything模型微调。用户按照Ultralytics YOLOv8格式组织train/val图像与标签文件夹，加载data.yaml配置文件即可开始训练，从而应用于工业自动化、机器人、智能库存管理、工具追踪等计算机视觉研究场景。

背景与挑战

背景概述

Automotive Hand Tools Instance Segmentation Demo数据集由Ekaterina Bocharova于近年创建，源自包含579张真实汽车维修车间照片的商业数据集，精选40张图像构建而成。该数据集聚焦于实例分割任务，涵盖37类汽车维修工具，如扳手、螺丝刀、钳子等，旨在为工业自动化、机器人及计算机视觉研究提供高质量的训练数据。其核心研究问题在于克服传统数据集依赖网络爬取或AI生成图像的局限，通过100%原创摄影和人工多边形标注，构建适用于商业AI系统的真实场景数据。该数据集在设计上强调现实世界的复杂条件，包括油污、锈蚀、强反射、运动模糊等，显著提升了模型的鲁棒性，对智能车间、工具追踪和预测性维护等领域具有重要推动力。

当前挑战

该数据集所解决的领域问题核心在于实例分割任务中真实工业环境的挑战。现有数据集多基于理想化工作室场景，模型在部署到实际生产环境时，常因油污、光线多变、部分遮挡和多物体重叠等复杂条件导致性能下降。该数据集的构建过程同样面临多重挑战：首先，原创摄影需在真实车间中采集，涉及版权、拍摄许可和场景多样性控制；其次，37类工具的精确多边形标注需要大量人工投入，尤其对于边界模糊或反光严重的物体。此外，数据规模较小（579张全量、40张演示版），在保证标注精度和现实复杂度的同时，亟需扩展至约1000张图像以增强代表性，这进一步加大了数据采集与标注的资源需求。

常用场景

经典使用场景

该数据集专为汽车维修场景下的实例分割任务而设计，其核心用途在于训练和评估深度学习模型对各类汽车维修工具（如扳手、套筒、钳子、螺丝刀等37种工具）进行像素级精确识别的能力。研究人员通常将其作为YOLOv8-seg、Mask R-CNN、Detectron2等主流实例分割架构的基准数据集，通过其高精度多边形标注和真实车间环境下的多样图像（含油污、锈蚀、反光、遮挡等复杂条件）来验证模型在工业级场景中的分割性能。

解决学术问题

该数据集解决了现有公开数据集中缺乏针对汽车维修工具这一垂直领域的高质量实例分割标注的难题。传统数据集多关注通用物体或清洁环境下的工具图像，难以应对真实车间中的油污、锈蚀、运动模糊和强反光等挑战。该数据集通过提供手工标注的多边形掩码和困难场景样本，使学术界能够系统性地研究实例分割模型在工业恶劣环境下的鲁棒性与泛化能力，推动了面向细分工业领域的精细化视觉感知研究，并为评估模型在复杂光照、遮挡和尺度变化下的表现提供了标准化测试平台。

实际应用

在工业自动化领域，该数据集直接支撑了智能车间的自动化工具识别与管理系统研发。基于该数据集训练的模型可应用于维修工具实时追踪、工具防遗落检测、自动化库存盘点与智能仓储等场景，有效提升汽车维修及制造业的生产效率与安全性。例如，在机器人辅助维修流水线中，模型可识别并定位操作台上的各类工具，引导机械臂精准抓取；在质量管理环节，通过检测工具使用频率与磨损状态，辅助预测性维护决策，减少因工具缺失或损坏导致的停工风险。

数据集最近研究