DATA.md

Veri Setleri — Hasarİ v2

Bu doküman, kullanılan veri setlerinin kısa özetidir. Detaylı indirme talimatları için scripts/DATA_README.md'a bak.

Tek bakışta

Kullanım	Veri seti	Boyut	Lisans	Nereden
Hasar tespiti (ana)	CarDD	4.000 görüntü, 9.000+ etiket, 6 sınıf	Academic non-commercial	cardd-ustc.github.io (form) veya HF mirror harpreetsahota/CarDD
Parça segmentasyonu	Ultralytics CarParts-Seg	~3.000 görüntü, 23 parça	AGPL-3.0	Ultralytics otomatik (carparts-seg.yaml)
Parça (ek)	DSMLR Car Parts	500 görüntü, 18 parça	MIT	github.com/dsmlr/Car-Parts-Segmentation
Şiddet sınıflandırma	Roboflow Severity	~2.500 görüntü, 19 sınıf → 3'e indir	CC BY 4.0	Roboflow Universe (car-damage-detection-cardd)
TR maliyet tablosu	YOK — manuel	—	—	TR pazar verisiyle güncellenmeli

CarDD (ana hasar seti)

Neden: Bu alandaki ilk büyük ölçekli halka açık veri seti. Altı hasar kategorisi (dent, scratch, crack, glass_shatter, lamp_broken, tire_flat), dört görev (classification, detection, instance segmentation, salient object detection) destekler.

Kritik gerçek: Çiziklerin %45'inden fazlası, çatlakların %90'ından fazlası "küçük" örnekler. Modelinin küçük nesne tespitinde iyi olması ZORUNLU — bu yüzden imgsz=1024 veya minimum 832 öneririz.

Lisans uyarısı: Academic non-commercial. Startup için ticari kullanım istiyorsanız, baseline'ı CarDD ile kurun ama production öncesi kendi etiketli verinizi toplayın.

İndirme:

• Hızlı yol: python scripts/download_data.py --cardd-hf (HuggingFace mirror, anında)
• Resmi yol: cardd-ustc.github.io'da form doldur, onay 1-2 gün, indir, python scripts/download_data.py --cardd-manual <zip-path>

Ultralytics CarParts-Seg

Neden: Parça segmentasyonu için tek bütünleşik açık set. 23 parça sınıfı: front_bumper, hood, front_glass, side_door, mirror, wheel, vb.

Performans referansı: YOLO11-seg CarParts-Seg üzerinde back_bumper, front_bumper, front_glass parçalarında mAP50 %96+; tailgate, küçük lambalar daha düşük (%57–60).

İndirme: Ultralytics otomatik. prepare_parts_data.py --use_ultralytics çağırınca cache'ler.

DSMLR Car Parts (ek)

Neden: Küçük (500 görüntü) ama yüksek kaliteli COCO formatında. Ultralytics setiyle birleştirilince çeşitliliği artırır. HTC (Hybrid Task Cascade) ile mAP 55.2/59.1.

İndirme: python scripts/download_data.py içinde manuel adım — git clone github.com/dsmlr/Car-Parts-Segmentation.

Roboflow Severity

Neden: Şiddet ensemble'ının CNN tarafını eğitmek için. 19 sınıf var (minor-scratches, moderate-deformation, severe-deformation vb.), bunları 3-sınıfa (hafif/orta/ağır) eşleyeceğiz.

İndirme: Roboflow API key gerekli. python scripts/download_data.py --roboflow-severity. Workspace/project slug'ı Universe'den doğrula.

TR maliyet tablosu

Açık veri seti yok. services/ml/cost_table.yaml'daki rakamlar başlangıç tahmini. Gerçeğe çevirmek için:

• otoyedek.com, parcacim.com → yedek parça fiyat scraping
• Yetkili servisler (Renault, Fiat, Ford, Hyundai TR) → işçilik saat ücretleri
• TSB (tsb.org.tr) → ortalama hasar verileri
• Eksperler (pilot için zaten ulaşacaksın) → 5-10 gerçek hasar dosyası
• sahibinden.com hasarlı araç ilanları → hasarsız vs. hasarlı değer farkı

Eğitim sırası önerisi (RTX 5050 8GB)

# 1. Pretrained baseline (veri olmadan, ilk gün)
python scripts\download_pretrained.py --all
# Test inference: services/ml/inference_demo.py ile herhangi bir araç fotoğrafında dene

# 2. Hasar modeli (CarDD ile)
cd services\ml
python prepare_data.py --cardd_root data\cardd_hf --output_dir data\cardd_yolo
python train.py --model yolo11s-seg --epochs 100 --batch 16 --imgsz 640
# Hedef: mAP50 ≥ 0.55 (CarDD test). Küçük nesne mAP'sini izle.

# 3. Parça modeli (Ultralytics CarParts-Seg)
python prepare_parts_data.py --use_ultralytics
python train_parts.py --model yolo11s-seg --epochs 100 --batch 16 --imgsz 640

# 4. Şiddet CNN (opsiyonel v1, ensemble v2'de)
# python train_severity.py --backbone efficientnet_v2_s --epochs 50

# 5. Pipeline'ı dene
python pipeline.py \
  --damage_weights runs\arac-hasar\yolo11s-seg\weights\best.pt \
  --parts_weights runs\arac-hasar\parts_yolo11s-seg\weights\best.pt \
  --image test_car.jpg \
  --visualize

Yer/disk gereksinimi

Veri	Disk
CarDD (raw)	~3 GB
CarDD YOLO formatına dönüştürülmüş	~6 GB
CarParts-Seg	~1.5 GB
Roboflow Severity	~500 MB
YOLO11/26 pretrained ağırlıklar (n+s+m)	~150 MB
Eğitim runs (5 epoch'lık checkpoint'ler)	~2 GB
Toplam minimum	~15 GB
Konforlu	30 GB

v0.2 backlog — kendi veri toplama

Pilot süresince:

• 500-1000 Türk araç görüntüsü (Fiat Egea, Renault Symbol, Hyundai i20 vb.)
• CVAT veya Roboflow Annotate ile etiketle
• Mevcut CarDD + parça setlerine ekle, fine-tune
• Türkiye'ye özel hasar tiplerini gözlemle: yan ayna kırıkları, jant hasarı, tuz/pas, kaza sonrası deformasyon

Detaylar: docs/HAFTA_10_12.md.