这些标签是用于实例分割任务中的类别，通常在汽车图像识别或自动驾驶技术中使用。以下是这些类别：

• back_bumper - 后保险杠
• back_glass - 后挡风玻璃
• back_left_door - 后左车门
• back_left_light - 后左灯
• back_right_door - 后右车门
• back_right_light - 后右灯
• front_bumper - 前保险杠
• front_glass - 前挡风玻璃
• front_left_door - 前左车门
• front_left_light - 前左灯
• front_right_door - 前右车门
• front_right_light - 前右灯
• hood - 发动机盖
• left_mirror - 左后视镜
• right_mirror - 右后视镜
• tailgate - 尾门（对于SUV、货车等车型）
• trunk - 行李箱盖（对于轿车）
• wheel - 车轮
  

这些术语是用来标识汽车不同部分的，在进行车辆部件检测和分割时会用到。

这段描述提供了一个数据集的概览，包括图像数量、数据集分割情况以及预处理和数据增强的步骤。下面是对这些信息的总结：

数据集总览

• 总图像数：1450张

数据集分割

• 训练集：
  • 占比：98%
  • 图像数量：1425张
• 验证集：
  • 占比：2%
  • 图像数量：25张
• 测试集：
  • 占比：0%
  • 图像数量：0张

预处理

• 自动定向：已应用
• 调整大小：拉伸到640x640像素

数据增强

• 每个训练样本输出：3个
• 翻转：水平翻转
• 旋转：在-15°到+15°之间
• 剪切：±15°水平，±15°垂直
• 灰度化：应用于25%的图像

这种设置有助于提高模型的泛化能力，通过数据增强来增加训练样本的多样性，并且保证了大多数图像用于训练，一小部分用于验证模型的表现。没有单独的测试集可能意味着验证集将被用来评估最终模型性能，或者计划在未来的某个阶段添加一个独立的测试集来进行最终评估。

如果您需要进一步的帮助，例如如何使用这个数据集进行训练或具体的技术细节，请告诉我。