مجموعة بيانات تجزئة الشقوق

The Crack Segmentation Dataset is an extensive resource designed for individuals involved in transportation and public safety studies. It is also beneficial for developing self-driving car models or exploring various computer vision applications. This dataset is part of the broader collection available on the Ultralytics Datasets Hub.

تتكون هذه المجموعة من 4029 صورة ثابتة تم التقاطها من سيناريوهات متنوعة للطرق والجدران، مما يجعلها أصلاً قيماً لمهام تجزئة الشقوق. سواء كنت تبحث في البنية التحتية للنقل أو تهدف إلى تعزيز دقة أنظمة القيادة الذاتية، توفر مجموعة البيانات هذه مجموعة غنية من الصور لتدريب نماذج التعلم العميق.

هيكل مجموعة البيانات

تم تنظيم مجموعة بيانات تجزئة الشقوق إلى ثلاث مجموعات فرعية:

• مجموعة التدريب: 3717 صورة مع التعليقات التوضيحية المقابلة.
• مجموعة الاختبار: 112 صورة مع التعليقات التوضيحية المقابلة.
• مجموعة التحقق من الصحة: 200 صورة مع التعليقات التوضيحية المقابلة.

التطبيقات

تجد تجزئة الشقوق تطبيقات عملية في صيانة البنية التحتية، حيث تساعد في تحديد وتقييم الأضرار الهيكلية في المباني والجسور والطرق. كما تلعب دوراً حاسماً في تعزيز سلامة الطرق من خلال تمكين الأنظمة الآلية من اكتشاف شقوق الرصيف لإجراء الإصلاحات في الوقت المناسب.

في البيئات الصناعية، يساعد اكتشاف الشقوق باستخدام نماذج التعلم العميق مثل Ultralytics YOLO26 في ضمان سلامة المباني في أعمال البناء، ويمنع فترات التوقف المكلفة في التصنيع، ويجعل عمليات فحص الطرق أكثر أماناً وفعالية. يسمح التحديد والتصنيف التلقائي للشقوق لفرق الصيانة بتحديد أولويات الإصلاحات بكفاءة، مما يساهم في تحسين رؤى تقييم النموذج.

ملف YAML الخاص بمجموعة البيانات

يحدد ملف YAML (لغة ترميز أخرى) تكوين مجموعة البيانات. يتضمن تفاصيل حول مسارات مجموعة البيانات، والفئات، ومعلومات أخرى ذات صلة. بالنسبة لمجموعة بيانات تجزئة الشقوق، يتم الاحتفاظ بملف crack-seg.yaml على https://github.com/ultralytics/ultralytics/blob/main/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') 112 images
test: images/test # 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 YOLO26n-seg على مجموعة بيانات تجزئة الشقوق لمدة 100 حقبة مع حجم صورة 640، استخدم مقتطفات Python أو CLI التالية. راجع صفحة وثائق تدريب النموذج للحصول على قائمة شاملة بالوسيطات والتكوينات المتاحة مثل ضبط المعلمات الفائقة.

from ultralytics import YOLO

# Load a model
# Using a pretrained model like yolo26n-seg.pt is recommended for faster convergence
model = YOLO("yolo26n-seg.pt")

# Train the model on the Crack Segmentation dataset
# Ensure 'crack-seg.yaml' is accessible or provide the full path
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# After training, the model can be used for prediction or exported
# results = model.predict(source='path/to/your/images')

عينة البيانات والشروحات

تحتوي مجموعة بيانات تجزئة الشقوق على مجموعة متنوعة من الصور الملتقطة من وجهات نظر مختلفة، تعرض أنواعاً مختلفة من الشقوق على الطرق والجدران. فيما يلي بعض الأمثلة:

• توضح هذه الصورة تجزئة المثيلات، حيث تتميز بـ صناديق محيطة مع أقنعة تحدد الشقوق المكتشفة. تتضمن مجموعة البيانات صوراً من مواقع وبيئات مختلفة، مما يجعلها مورداً شاملاً لتطوير نماذج قوية لهذه المهمة. يمكن لتقنيات مثل تعزيز البيانات أن تزيد من تنوع مجموعة البيانات بشكل أكبر. تعرف على المزيد حول تجزئة المثيلات والتتبع في دليلنا.

• يسلط المثال الضوء على التنوع داخل مجموعة بيانات تجزئة الشقوق، مؤكداً على أهمية البيانات عالية الجودة لتدريب نماذج رؤية حاسوبية فعالة.

الاقتباسات والشكر

إذا كنت تستخدم مجموعة بيانات تجزئة الشقوق في عملك البحثي أو التطويري، يرجى الاستشهاد بالمصدر بشكل مناسب:

@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 },
}

نحن نقدر فريق Roboflow لإتاحة مجموعة بيانات تجزئة الشقوق، مما يوفر مورداً قيماً لمجتمع الرؤية الحاسوبية، خاصة للمشاريع المتعلقة بسلامة الطرق وتقييم البنية التحتية.

الأسئلة الشائعة

ما هي مجموعة بيانات تجزئة الشقوق؟

مجموعة بيانات تجزئة الشقوق عبارة عن مجموعة من 4029 صورة ثابتة مصممة لدراسات النقل والسلامة العامة. وهي مناسبة لمهام مثل تطوير نماذج السيارات ذاتية القيادة وصيانة البنية التحتية. وهي تتضمن مجموعات التدريب والاختبار والتحقق من الصحة لمهام اكتشاف الشقوق وتجزئتها.

كيف يمكنني تدريب نموذج باستخدام مجموعة بيانات تجزئة الشقوق مع Ultralytics YOLO26؟

لتدريب نموذج Ultralytics YOLO26 على مجموعة البيانات هذه، استخدم أمثلة Python أو CLI المقدمة. تتوفر تعليمات ومعلمات مفصلة في صفحة تدريب النموذج. يمكنك إدارة عملية التدريب الخاصة بك باستخدام أدوات مثل منصة Ultralytics.

from ultralytics import YOLO

# Load a pretrained model (recommended)
model = YOLO("yolo26n-seg.pt")

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

لماذا نستخدم مجموعة بيانات تجزئة الشقوق لمشاريع السيارات ذاتية القيادة؟

تعد مجموعة البيانات هذه قيمة لمشاريع السيارات ذاتية القيادة بسبب صورها المتنوعة للطرق والجدران، والتي تغطي سيناريوهات واقعية مختلفة. يعمل هذا التنوع على تحسين قوة النماذج المدربة لاكتشاف الشقوق، وهو أمر حيوي لسلامة الطرق وتقييم البنية التحتية. تساعد التعليقات التوضيحية التفصيلية في تطوير النماذج التي يمكنها تحديد مخاطر الطريق المحتملة بدقة.

ما هي الميزات التي يوفرها Ultralytics YOLO لتجزئة الشقوق؟

يوفر Ultralytics YOLO قدرات اكتشاف الكائنات والتجزئة والتصنيف في الوقت الفعلي، مما يجعله مناسباً جداً لمهام تجزئة الشقوق. إنه يتعامل بكفاءة مع مجموعات البيانات الكبيرة والسيناريوهات المعقدة. يتضمن الإطار أوضاعاً شاملة لـ التدريب، والتنبؤ، وتصدير النماذج. يمكن أن يؤدي نهج الاكتشاف الخالي من المراسي الخاص بـ YOLO إلى تحسين الأداء على الأشكال غير المنتظمة مثل الشقوق، ويمكن قياس الأداء باستخدام مقاييس قياسية.

كيف أستشهد بمجموعة بيانات تجزئة الشقوق؟

إذا كنت تستخدم مجموعة البيانات هذه في عملك، يرجى الاستشهاد بها باستخدام إدخال BibTeX المقدم أعلاه لمنح التقدير المناسب للمبدعين.