تخطي إلى المحتوى

Roboflow مجموعة بيانات تجزئة الشقوق في الكون

مجموعة بيانات Roboflow Crack Segmentation Segmentation Dataset كمصدر واسع النطاق مصمم خصيصاً للأفراد المشاركين في دراسات النقل والسلامة العامة. كما أنها مفيدة بنفس القدر لأولئك الذين يعملون على تطوير نماذج السيارات ذاتية القيادة أو ببساطة لاستكشاف تطبيقات الرؤية الحاسوبية لأغراض ترفيهية.

تتألف مجموعة البيانات هذه من إجمالي 4029 صورة ثابتة تم التقاطها من سيناريوهات متنوعة للطرق والجدران، وتبرز مجموعة البيانات هذه كأصل قيّم للمهام المتعلقة بتجزئة الشقوق. سواء أكنت تتعمق في تعقيدات أبحاث النقل أو تسعى إلى تعزيز دقة نماذج السيارات ذاتية القيادة، توفر مجموعة البيانات هذه مجموعة غنية ومتنوعة من الصور لدعم مساعيك.

هيكلية مجموعة البيانات

تم تحديد تقسيم البيانات ضمن مجموعة بيانات تجزئة الكراك على النحو التالي:

  • مجموعة التدريب: تتكون من 3717 صورة مع التعليقات التوضيحية المقابلة.
  • مجموعة الاختبار: تضم 112 صورة مع التعليقات التوضيحية الخاصة بكل منها.
  • مجموعة التحقق من الصحة: تتضمن 200 صورة مع التعليقات التوضيحية الخاصة بها.

التطبيقات

يجد تجزئة الشقوق تطبيقات عملية في صيانة البنية التحتية، مما يساعد في تحديد وتقييم الأضرار الهيكلية. كما أنها تلعب دوراً حاسماً في تعزيز السلامة على الطرق من خلال تمكين الأنظمة الآلية من اكتشاف ومعالجة تشققات الرصيف لإصلاحها في الوقت المناسب.

مجموعة البيانات YAML

يُستخدم ملف YAML (لغة ترميز أخرى) لتوضيح تكوين مجموعة البيانات، ويشمل تفاصيل حول المسارات والفئات والمعلومات الأخرى ذات الصلة. على وجه التحديد، بالنسبة لمجموعة بيانات تجزئة الكراك، فإن crack-seg.yaml يُدار الملف ويمكن الوصول إليه من خلال https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

ultralytics/cfg/datasets/crack-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 license
# Crack-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/crack-seg/
# Example usage: yolo train data=crack-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── crack-seg  ← downloads here (91.2 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/crack-seg # dataset root dir
train: train/images # train images (relative to 'path') 3717 images
val: valid/images # val images (relative to 'path') 112 images
test: test/images # test images (relative to 'path') 200 images

# Classes
names:
  0: crack

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/crack-seg.zip

الاستخدام

لتدريب نموذج Ultralytics YOLO11n على مجموعة بيانات Crack Segmentation لـ 100 حلقة تدريبية بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.

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="crack-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

عينة من البيانات والشروح

تتألف مجموعة بيانات Crack Segmentation من مجموعة متنوعة من الصور ومقاطع الفيديو التي تم التقاطها من وجهات نظر متعددة. فيما يلي أمثلة لبيانات من مجموعة البيانات، مصحوبة بالشروح الخاصة بكل منها:

صورة عينة مجموعة البيانات

  • تقدم هذه الصورة مثالاً على تجزئة الأجسام في الصورة، حيث تعرض مربعات محددة مشروحة مع أقنعة تحدد الأجسام المحددة. تشتمل مجموعة البيانات على مجموعة متنوعة من الصور الملتقطة في مواقع وبيئات وكثافات مختلفة، مما يجعلها موردًا شاملاً لتطوير نماذج مصممة لهذه المهمة تحديدًا.

  • يسلط هذا المثال الضوء على التنوع والتعقيد الموجود في مجموعة بيانات تجزئة الكراك، مما يؤكد على الدور الحاسم للبيانات عالية الجودة في مهام الرؤية الحاسوبية.

الاستشهادات والشكر والتقدير

إذا قمت بدمج مجموعة بيانات تجزئة التصدع في مساعيك البحثية أو التطويرية، يرجى الرجوع إلى الورقة البحثية التالية:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    howpublished = { \url{ https://universe.roboflow.com/university-bswxt/crack-bphdr } },
    url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
    journal = { Roboflow Universe },
    publisher = { Roboflow },
    year = { 2022 },
    month = { dec },
    note = { visited on 2024-01-23 },
}

نود أن نعرب عن تقديرنا لفريق Roboflow على إنشاء وصيانة مجموعة بيانات تجزئة التشققات كمورد قيّم لمشاريع السلامة على الطرقات والمشاريع البحثية. لمزيد من المعلومات حول مجموعة بيانات تجزئة الشقوق ومنشئيها، يرجى زيارة صفحة مجموعة بيانات تجزئة الشقوق.

الأسئلة الشائعة

ما هي مجموعة بيانات تجزئة الشقوق Roboflow ؟

مجموعة بيانات تقسيم الشقوقRoboflow هي مجموعة شاملة من 4029 صورة ثابتة مصممة خصيصاً لدراسات النقل والسلامة العامة. وهي مثالية لمهام مثل تطوير نماذج السيارات ذاتية القيادة وصيانة البنية التحتية. تتضمن مجموعة البيانات مجموعات التدريب والاختبار والتحقق من الصحة، مما يساعد في الكشف الدقيق عن التشققات وتجزئة الشقوق.

كيف يمكنني تدريب نموذج باستخدام مجموعة بيانات تجزئة الكراك باستخدام Ultralytics YOLO11 ؟

لتدريب نموذج Ultralytics YOLO11 على مجموعة بيانات Crack Segmentation Segmentation، استخدم مقتطفات التعليمات البرمجية التالية. يمكن العثور على تعليمات مفصلة ومعلمات أخرى في صفحة تدريب النموذج.

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="crack-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

لماذا يجب أن أستخدم مجموعة بيانات تجزئة الكراك لمشروع سيارتي ذاتية القيادة؟

تُعد مجموعة بيانات تجزئة التشققات مناسبة بشكل استثنائي لمشاريع السيارات ذاتية القيادة نظراً لمجموعتها المتنوعة التي تضم 4029 صورة للطرق والجدران، والتي توفر مجموعة متنوعة من السيناريوهات. يعزز هذا التنوع من دقة ومتانة النماذج المدربة على اكتشاف التصدعات، وهو أمر بالغ الأهمية للحفاظ على سلامة الطرق وضمان إصلاح البنية التحتية في الوقت المناسب.

ما هي الميزات الفريدة التي يقدمها الموقع الإلكتروني Ultralytics YOLO لتجزئة الشقوق؟

Ultralytics YOLO يوفر قدرات متقدمة في الوقت الحقيقي للكشف عن الكائنات وتجزئتها وتصنيفها في الوقت الحقيقي، مما يجعله مثاليًا لمهام تجزئة التجزئة المتصدعة. تضمن قدرته على التعامل مع مجموعات البيانات الكبيرة والسيناريوهات المعقدة دقة وكفاءة عالية. على سبيل المثال، تغطي أوضاع تدريب النموذج والتنبؤ والتصدير وظائف شاملة من التدريب إلى النشر.

كيف يمكنني الاستشهاد بمجموعة بيانات تجزئة الشقوق Roboflow في ورقتي البحثية؟

إذا قمت بدمج مجموعة بيانات تجزئة الكراك في بحثك، يُرجى استخدام مرجع BibTeX التالي:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    howpublished = { \url{ https://universe.roboflow.com/university-bswxt/crack-bphdr } },
    url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
    journal = { Roboflow Universe },
    publisher = { Roboflow },
    year = { 2022 },
    month = { dec },
    note = { visited on 2024-01-23 },
}

يضمن تنسيق الاقتباس هذا الاعتماد المناسب لمنشئي مجموعة البيانات والإقرار باستخدامها في بحثك.

📅 تم الإنشاء قبل 10 أشهر ✏️ تم التحديث منذ 2 أشهر
ألترالتيكسيستانتست غلين-جوتشر ماثيو نويس رضوان منور ج ك 4 هـ

التعليقات