Link to this sectionمجموعة بيانات تقسيم التشققات#

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، وهي تمثل أصلاً قيماً لمهام تقسيم التشققات. سواء كنت تجري أبحاثاً في البنية التحتية للنقل أو تهدف إلى تحسين دقة أنظمة القيادة الذاتية، فإن مجموعة البيانات هذه توفر مجموعة غنية من الصور لتدريب نماذج التعلم العميق.

Link to this sectionهيكل مجموعة البيانات#

تم تنظيم مجموعة بيانات تقسيم التشققات في ثلاث مجموعات فرعية:

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

Link to this sectionالتطبيقات#

تجد عملية تقسيم التشققات تطبيقات عملية في صيانة البنية التحتية، حيث تساعد في تحديد وتقييم الأضرار الهيكلية في المباني والجسور والطرق. كما أنها تلعب دوراً حاسماً في تعزيز السلامة على الطرق من خلال تمكين الأنظمة الآلية من اكتشاف تشققات الرصيف للإصلاح في الوقت المناسب.

في البيئات الصناعية، يساعد اكتشاف التشققات باستخدام نماذج التعلم العميق مثل Ultralytics YOLO26 في ضمان سلامة المباني في الإنشاءات، ويمنع التوقفات المكلفة في التصنيع، ويجعل عمليات فحص الطرق أكثر أماناً وفعالية. يسمح التحديد والتصنيف الآلي للتشققات لفرق الصيانة بتحديد أولويات الإصلاحات بكفاءة، مما يساهم في الحصول على رؤى أفضل لتقييم النماذج.

Link to this sectionYAML مجموعة البيانات#

يحدد ملف YAML (لغة ترميز أخرى) تكوين مجموعة البيانات. وهو يتضمن تفاصيل حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. بالنسبة لمجموعة بيانات تقسيم التشققات، يتم الاحتفاظ بملف crack-seg.yaml في الرابط 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

Link to this sectionالاستخدام#

لتدريب نموذج Ultralytics YOLO26n-seg على مجموعة بيانات تقسيم التشققات لمدة 100 حقبة تدريب بحجم صورة 640، استخدم مقتطفات Python أو CLI التالية. راجع صفحة وثائق التدريب الخاصة بالنموذج للحصول على قائمة شاملة بالوسيطات المتاحة والتكوينات 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')

Link to this sectionعينة من البيانات والتعليقات#

تحتوي مجموعة بيانات تقسيم التشققات على مجموعة متنوعة من الصور التي تم التقاطها من وجهات نظر مختلفة، تعرض أنواعاً مختلفة من التشققات على الطرق والجدران. إليك بعض الأمثلة:

• توضح هذه الصورة تقسيم المثيلات، مع عرض صناديق التحديد المشروحة بأقنعة تحدد التشققات 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 تعزيز تنوع مجموعة البيانات. تعرف على المزيد حول تقسيم المثيلات والتتبع في دليلنا.

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

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات تقسيم التشققات في أبحاثك أو عملك التطويري، يرجى ذكر المصدر 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 تقسيم التشققات، مما يوفر مورداً قيماً لمجتمع الرؤية الحاسوبية، لا سيما للمشاريع المتعلقة بالسلامة على الطرق وتقييم البنية التحتية.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات تقسيم التشققات؟#

مجموعة بيانات تقسيم التشققات هي 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 للتدريب، والاختبار، والتحقق من الصحة لمهام اكتشاف التشققات والتقسيم.

Link to this sectionكيف يمكنني تدريب نموذج باستخدام مجموعة بيانات تقسيم التشققات مع Ultralytics YOLO26؟#

لتدريب نموذج Ultralytics YOLO26 على مجموعة البيانات هذه، استخدم أمثلة Python أو CLI المقدمة. تتوفر تعليمات ومعلمات مفصلة في صفحة التدريب الخاصة بالنموذج. 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)

Link to this sectionلماذا نستخدم مجموعة بيانات تقسيم التشققات لمشاريع السيارات ذاتية القيادة؟#

تعد مجموعة البيانات هذه قيمة لمشاريع السيارات ذاتية القيادة نظراً لصورها المتنوعة للطرق والجدران، والتي تغطي سيناريوهات مختلفة من العالم الحقيقي. يعمل هذا التنوع على تحسين متانة النماذج المدربة لاكتشاف التشققات، وهو أمر بالغ الأهمية للسلامة على الطرق وتقييم البنية التحتية. تساعد التعليقات التوضيحية التفصيلية في تطوير نماذج يمكنها تحديد مخاطر الطرق المحتملة بدقة.

Link to this sectionما هي الميزات التي يوفرها Ultralytics YOLO لتقسيم التشققات؟#

يوفر Ultralytics YOLO إمكانات اكتشاف الكائنات والتقسيم والتصنيف في الوقت الفعلي، مما يجعله مناسباً جداً لمهام تقسيم التشققات. إنه يتعامل بكفاءة مع مجموعات البيانات الكبيرة والسيناريوهات المعقدة. يتضمن الإطار أوضاعاً شاملة لـ التدريب، والتنبؤ، وتصدير النماذج. يمكن أن يؤدي نهج YOLO لـ الاكتشاف بدون نقاط ارتكاز إلى تحسين الأداء على الأشكال غير المنتظمة مثل التشققات، ويمكن قياس الأداء باستخدام مقاييس قياسية.

Link to this sectionكيف يمكنني الاستشهاد بمجموعة بيانات تقسيم التشققات؟#

إذا كنت تستخدم مجموعة البيانات هذه في عملك، فيرجى الاستشهاد بها باستخدام إدخال BibTeX المقدم أعلاه لإعطاء التقدير المناسب للمنشئين.