تخطي إلى المحتوى

مجموعة بيانات تجزئة الشقوق

فتح مجموعة بيانات تجزئة الكراك في كولاب

مجموعة بيانات تجزئة الكراك، المتوفرة على Roboflow Universe، هي مورد واسع النطاق مصمم للأفراد المشاركين في دراسات النقل والسلامة العامة. وهي مفيدة أيضاً لتطوير نماذج السيارات ذاتية القيادة أو استكشاف تطبيقات الرؤية الحاسوبية المختلفة. مجموعة البيانات هذه جزء من مجموعة أوسع متاحة علىمركز بيانات Ultralytics Datasets Hub.



شاهد: تجزئة الشقوق باستخدام Ultralytics YOLOv9.

تتألف مجموعة البيانات هذه من 4029 صورة ثابتة تم التقاطها من سيناريوهات متنوعة للطرق والجدران، وهي مجموعة بيانات قيّمة لمهام تجزئة الشقوق. سواءً 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.

هيكلية مجموعة البيانات

تنقسم مجموعة بيانات تجزئة الكراك 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

يجد تجزئة الشقوق تطبيقات عملية في صيانة البنية التحتية، مما يساعد 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 الكشف عن تشققات الرصيف لإصلاحها في الوقت المناسب.

في البيئات الصناعية، يتم الكشف عن التشققات باستخدام نماذج التعلم العميق مثل Ultralytics YOLO11 يساعد في ضمان سلامة المباني في مجال الإنشاءات، ويمنع أوقات التعطل المكلفة في التصنيع، ويجعل عمليات فحص الطرق أكثر أمانًا وفعالية. يتيح تحديد التشققات وتصنيفها تلقائيًا لفرق الصيانة تحديد أولويات الإصلاحات بكفاءة، مما يساهم في تحسين رؤى تقييم النماذج.

مجموعة البيانات YAML

A YAML يحدد ملف (لغة ترميز أخرى) تكوين مجموعة البيانات. وهو يتضمن تفاصيل حول مسارات مجموعة البيانات وفئاتها والمعلومات الأخرى ذات الصلة. بالنسبة لمجموعة بيانات Crack Segmentation، فإن ملف crack-seg.yaml يتم الاحتفاظ بالملف 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 (91.2 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 تجزئة الكراك ل 100 حلقة تدريبية بحجم صورة 640، استخدم ما يلي Python التالية. ارجع إلى صفحة وثائق تدريب النموذج للحصول على قائمة شاملة بالوسائط والتكوينات المتاحة مثل ضبط المعلمة الفائقة.

مثال على القطار

from ultralytics import YOLO

# Load a model
# Using a pretrained model like yolo11n-seg.pt is recommended for faster convergence
model = YOLO("yolo11n-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')

# Start training from a pretrained *.pt model using the Command Line Interface
# Ensure the dataset YAML file 'crack-seg.yaml' is correctly configured and accessible
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

عينة من البيانات والشروح

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

صورة عينة مجموعة البيانات

  • توضّح هذه الصورة تجزئة النماذج، حيث تتميز بمربعات محدّدة مشروحة مع أقنعة تحدّد الشقوق التي تم تحديدها. تتضمن مجموعة البيانات صوراً من مواقع وبيئات مختلفة، مما يجعلها مورداً شاملاً لتطوير نماذج قوية لهذه المهمة. يمكن لتقنيات مثل زيادة البيانات تعزيز تنوع مجموعة البيانات. تعرف على المزيد حول تجزئة النماذج وتتبعها في دليلنا.

  • يسلط هذا المثال الضوء على التنوع في مجموعة بيانات Crack Segmentation، مما يؤكد على أهمية البيانات عالية الجودة لتدريب نماذج الرؤية الحاسوبية الفعالة.

الاستشهادات والشكر والتقدير

إذا كنت تستخدم مجموعة بيانات Crack Segmentation Segmentation في عملك البحثي أو التطويري، يُرجى ذكر المصدر بشكل مناسب. تم توفير مجموعة البيانات عبر Roboflow:

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

نحن نشكر فريق العمل في Roboflow على إتاحة مجموعة بيانات تجزئة الشقوق، مما يوفر مورداً قيماً لمجتمع الرؤية الحاسوبية، خاصةً للمشاريع المتعلقة بسلامة الطرق وتقييم البنية التحتية.

الأسئلة الشائعة

ما هي مجموعة بيانات تجزئة الكراك؟

مجموعة بيانات تقسيم الشقوق هي 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 صحة مهام الكشف عن التشققات وتجزئة الشقوق.

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

لتدريب Ultralytics YOLO11 على مجموعة البيانات هذه، استخدم أمثلة Python أو CLI المتوفرة. تتوفر التعليمات والمعلمات التفصيلية على صفحة تدريب النموذج. يمكنك إدارة عملية التدريب باستخدام أدوات مثل Ultralytics HUB.

مثال على القطار

from ultralytics import YOLO

# Load a pretrained model (recommended)
model = YOLO("yolo11n-seg.pt")

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

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

لماذا استخدام مجموعة بيانات تجزئة الكراك لمشاريع السيارات ذاتية القيادة؟

تُعد مجموعة البيانات هذه ذات قيمة لمشاريع السيارات ذاتية القيادة نظراً لما تحتويه من صور متنوعة للطرق والجدران، والتي تغطي سيناريوهات مختلفة في العالم الحقيقي. يُحسِّن هذا التنوع من متانة النماذج المُدرَّبة على اكتشاف التصدعات، وهو أمر بالغ الأهمية لسلامة الطرق وتقييم البنية التحتية. تساعد الشروح التفصيلية في تطوير نماذج يمكنها تحديد مخاطر الطرق المحتملة بدقة.

ما الميزات التي يقدمهاYOLO Ultralytics YOLO لتقسيم الشقوق؟

يوفرYOLO Ultralytics YOLO إمكانات الكشف عن الكائنات وتجزئتها وتصنيفها في الوقت الفعلي، مما يجعله مناسبًا للغاية لمهام تجزئة التجزئة المتصدعة. يتعامل بكفاءة مع مجموعات البيانات الكبيرة والسيناريوهات المعقدة. يتضمن الإطار أوضاعًا شاملة للتدريب والتنبؤ وتصدير النماذج. يمكن لنهج YOLO للكشف الخالي من المرتكزات تحسين الأداء على الأشكال غير المنتظمة مثل الشقوق، ويمكن قياس الأداء باستخدام مقاييس قياسية.

كيف يمكنني الاستشهاد بمجموعة بيانات تجزئة الكراك؟

إذا كنت تستخدم مجموعة البيانات هذه في عملك، يُرجى الاستشهاد بها باستخدام إدخال BibTeX المتوفر أعلاه لإعطاء الفضل المناسب لمنشئيها.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 20 يومًا
غلين-جوتشر رضوان منور ألترالتيكسيستانتست ماثيو نويس ج ك 4 هـ

التعليقات