ابدأ

مجموعة بيانات تجزئة الشقوق

Open Crack Segmentation Dataset In Colab

توفر Ultralytics مجموعة بيانات لتجزئة الشقوق تضم 4,029 صورة مشروحة لشقوق الطرق والجدران، لتدريب نماذج تجزئة المثيلات على فئة واحدة هي crack. وقد جُمعت الصور في ظروف متنوعة للطرق والمنشآت، وتتوافق مباشرةً مع Ultralytics YOLO لاستخدامات تمتد من سلامة النقل وإدراك السيارات ذاتية القيادة إلى صيانة البنية التحتية وفحص المنشآت باستخدام الرؤية الحاسوبية.



شاهد: كيفية تدريب نموذج لتقسيم الشقوق باستخدام Ultralytics YOLO26 | الذكاء الاصطناعي في الإنشاءات 🎉

بنية مجموعة البيانات#

تُقسّم مجموعة بيانات تجزئة الشقوق صورها البالغ عددها 4,029 كما يلي:

  • مجموعة التدريب: 3,717 صورة تُستخدم في تدريب نموذج التعلم العميق.
  • مجموعة التحقق: 200 صورة تُستخدم أثناء التدريب لضبط المعلمات الفائقة ومنع فرط التكيّف.
  • مجموعة الاختبار: 112 صورة مستبعدة من التدريب لتقييم النموذج بعد اكتمال التدريب.
  • الفئات: فئة واحدة هي crack، وتشمل كل شق مشروح في الطرق والجدران.
  • حجم التنزيل: ~91.6 MB.

التطبيقات#

تدعم تجزئة الشقوق صيانة البنية التحتية من خلال تحديد الأضرار الهيكلية في المباني والجسور والطرق وتقييمها. كما تعزز السلامة على الطرق بتمكين الأنظمة الآلية من اكتشاف تشققات الرصف وإصلاحها في الوقت المناسب.

في البيئات الصناعية، يساعد اكتشاف الشقوق باستخدام نماذج مثل Ultralytics YOLO26 على التحقق من سلامة المباني في قطاع الإنشاءات، ويمنع فترات التوقف المكلفة في التصنيع، ويجعل فحص الطرق أكثر أمانًا. ويسمح التصنيف الآلي للشقوق لفرق الصيانة بإعطاء الأولوية للإصلاحات الأكثر إلحاحًا.

يمكن أيضًا استعراض مجموعة بيانات تقسيم الشقوق الكاملة وإدارتها على منصة Ultralytics.

ملف YAML لمجموعة البيانات#

يحدد ملف YAML إعدادات مجموعة البيانات. ويتضمن تفاصيل حول مسارات مجموعة البيانات وفئاتها وغيرها من المعلومات ذات الصلة. بالنسبة إلى مجموعة بيانات تقسيم الشقوق، يُصان الملف crack-seg.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

ultralytics/cfg/datasets/crack-seg.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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 (91.6 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: crack-seg # dataset root dir
train: images/train # train images (relative to 'path') 3717 images
val: images/val # val images (relative to 'path') 200 images
test: images/test # test images (relative to 'path') 112 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 YOLO26n-seg على مجموعة بيانات تجزئة الشقوق لمدة 100 حقبة وبحجم صورة 640، استخدم مقتطفات الشيفرة التالية بلغة Python أو CLI.

مثال على التدريب
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
# ⁨يوصى باستخدام نموذج مدرّب مسبقًا مثل yolo26n-seg.pt لتسريع التقارب⁩
model = YOLO("yolo26n-seg.pt")

# ⁨درّب النموذج على مجموعة بيانات تقسيم الشقوق⁩
# ⁨تأكد من إمكانية الوصول إلى 'crack-seg.yaml' أو قدّم المسار الكامل⁩
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# ⁨بعد التدريب، يمكن استخدام النموذج للتنبؤ أو تصديره⁩
# results = model.predict(source='path/to/your/images')

البيانات النموذجية والتعليقات التوضيحية#

فيما يلي مثال من مجموعة بيانات تجزئة الشقوق، مع تراكب أقنعة تجزئة الكائنات التي تحدد الشقوق على أسطح الطرق والجدران:

عينة من مجموعة بيانات تقسيم الشقوق لفحص البنية التحتية

تغطي مجموعة البيانات مواقع وأسطحًا وظروف إضاءة متنوعة، لذا ترى النماذج المدرّبة عليها نطاق المشاهد الواقعية التي تحتاج إليها لتعميم أدائها عليها. ويمكن أن يؤدي تعزيز البيانات إلى توسيع هذا التنوع أكثر — راجع دليل تقسيم الكائنات الفردية وتتبعها للاطلاع على مسارات العمل ذات الصلة.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات تقسيم الشقوق في أبحاثك أو أعمال التطوير، فيُرجى توثيق المصدر على النحو المناسب:

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

نعرب عن تقديرنا لفريق Roboflow لإتاحته مجموعة بيانات تقسيم الشقوق، وتوفيره موردًا قيّمًا لمجتمع الرؤية الحاسوبية، ولا سيما للمشاريع المرتبطة بالسلامة على الطرق وتقييم البنية التحتية. للاطلاع على مزيد من مجموعات البيانات، تفضل بزيارة مجموعة بيانات Ultralytics.

الأسئلة الشائعة#

  • مجموعة بيانات تجزئة الشقوق هي مجموعة تضم 4,029 صورة مشروحة لشقوق في الطرق والجدران، لتدريب نماذج تجزئة المثيلات وتقييمها على فئة واحدة crack. وقد أُعدّت لتطبيقات السلامة المرورية والبنية التحتية، مثل فحص الهياكل وتقييم رصف الطرق، وتُستخدم مباشرةً مع YOLO26 من Ultralytics عبر ملف الإعداد crack-seg.yaml.

  • تضم مجموعة البيانات 4,029 صورة إجمالًا — 3,717 للتدريب، و200 للتحقق، و112 للاختبار — وجميعها مشروحة لفئة واحدة crack. ويُنزل الأرشيف الكامل تلقائيًا بحجم ~91.6 MB بصيغة .zip عند الاستخدام لأول مرة.

  • حمّل نموذج تجزئة مدرّبًا مسبقًا (مثل yolo26n-seg.pt) ودرّبه باستخدام إعدادات crack-seg.yaml عبر مقتطفات Python أو CLI الواردة في قسم الاستخدام أعلاه. راجع دليل التدريب للاطلاع على القائمة الكاملة للوسيطات المتاحة.

  • تغطي الصور المتنوعة للشقوق في الطرق والجدران العديد من سيناريوهات العالم الحقيقي، ما يعزز متانة النماذج المدرّبة لاكتشاف الشقوق. وتدعم التجزئة الدقيقة أنظمة السلامة على الطرق وتقييم البنية التحتية، التي يتعين عليها تحديد المخاطر المحتملة بموثوقية.

  • يوجد الملف crack-seg.yaml، الذي يحدد مسارات مجموعة البيانات وفئة crack الوحيدة، في مستودع Ultralytics على GitHub: crack-seg.yaml.

التعليقات2

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

    1. Glenn JocherUltralytics(تم التعديل)

      Hey there!

      Thanks for reaching out with your question about performance on the Crack Segmentation dataset. 🚀 We do not publish a mean IOU (Intersection Over Union) for the test set on this dataset.

      For an example on how to train a YOLO26 model on the crack segmentation dataset, you might find this snippet useful:

      from ultralytics import YOLO
      
      # Load a pretrained model (recommended for training)
      model = YOLO('yolo26n-seg.pt')  
      
      # Train the model on the crack-seg dataset
      results = model.train(data='crack-seg.yaml', epochs=100, imgsz=640)

      If you're specifically interested in evaluating the model's performance in terms of mean IOU or any other metrics, you can use the val mode to validate your model after training (for example with split='test' if your dataset YAML defines a test set), which reports mask mAP.

      Feel free to dive into your own experiments and share your findings. The community and we are always eager to learn about different performance insights across various datasets! 🌟

      Happy detecting, and let us know if you have any more questions or if there's anything else we can help you with!

      1