Datensatz zur Risssegmentierung
Der Crack Segmentation Dataset, der auf Roboflow Universe verfügbar ist, ist eine umfangreiche Ressource für Personen, die sich mit Transport- und öffentlichen Sicherheitsstudien befassen. Er ist auch nützlich für die Entwicklung von Modellen für selbstfahrende Autos oder die Erforschung verschiedener Computer-Vision-Anwendungen. Dieser Datensatz ist Teil der umfassenderen Sammlung, die auf dem Ultralytics Datasets Hub verfügbar ist.
Ansehen: Risssegmentierung mit Ultralytics YOLOv9.
Dieser Datensatz umfasst 4029 statische Bilder, die aus verschiedenen Straßen- und Wandszenarien aufgenommen wurden, und ist ein wertvolles Hilfsmittel für Aufgaben der Risssegmentierung. Egal, ob Sie die Verkehrsinfrastruktur erforschen oder die Genauigkeit von autonomen Fahrsystemen verbessern möchten, dieser Datensatz bietet eine umfangreiche Sammlung von Bildern zum Trainieren von Deep-Learning-Modellen.
Dataset-Struktur
Der Crack Segmentation Dataset ist in drei Teilmengen unterteilt:
- Trainingsdatensatz: 3717 Bilder mit entsprechenden Anmerkungen.
- Testdatensatz: 112 Bilder mit entsprechenden Anmerkungen.
- Validierungsdatensatz: 200 Bilder mit entsprechenden Anmerkungen.
Anwendungen
Die Risssegmentierung findet praktische Anwendung in der Infrastrukturwartung und unterstützt die Identifizierung und Bewertung von strukturellen Schäden an Gebäuden, Brücken und Straßen. Sie spielt auch eine entscheidende Rolle bei der Erhöhung der Verkehrssicherheit, indem sie es automatisierten Systemen ermöglicht, Fahrbahnrisse zu erkennen, um rechtzeitig Reparaturen durchzuführen.
In industriellen Umgebungen trägt die Risserkennung mithilfe von Deep-Learning-Modellen wie Ultralytics YOLO11 dazu bei, die Gebäudeintegrität im Baugewerbe sicherzustellen, kostspielige Ausfallzeiten in der Fertigung zu verhindern und Straßeninspektionen sicherer und effektiver zu gestalten. Die automatische Identifizierung und Klassifizierung von Rissen ermöglicht es den Wartungsteams, Reparaturen effizient zu priorisieren, was zu besseren Erkenntnissen bei der Modellevaluierung beiträgt.
Datensatz-YAML
A YAML (Yet Another Markup Language) Datei definiert die Dataset-Konfiguration. Sie enthält Details über die Pfade, Klassen und andere relevante Informationen des Datasets. Für das Crack Segmentation-Dataset ist die crack-seg.yaml
Datei wird verwaltet unter 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') 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
Nutzung
Um das Ultralytics YOLO11n-Modell auf dem Crack Segmentation-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die folgenden Python-Code-Snippets. Eine umfassende Liste der verfügbaren Argumente und Konfigurationen wie Hyperparameter-Optimierung finden Sie auf der Dokumentationsseite Training des Modells.
Trainingsbeispiel
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
Beispieldaten und Anmerkungen
Der Crack Segmentation-Datensatz enthält eine vielfältige Sammlung von Bildern, die aus verschiedenen Perspektiven aufgenommen wurden und unterschiedliche Arten von Rissen auf Straßen und Wänden zeigen. Hier sind einige Beispiele:
-
Dieses Bild demonstriert die Instanzsegmentierung und zeigt annotierte Begrenzungsrahmen mit Masken, die erkannte Risse umreißen. Der Datensatz enthält Bilder von verschiedenen Standorten und Umgebungen und ist somit eine umfassende Ressource für die Entwicklung robuster Modelle für diese Aufgabe. Techniken wie Datenerweiterung können die Vielfalt des Datensatzes weiter erhöhen. Erfahren Sie mehr über Instanzsegmentierung und -verfolgung in unserem Leitfaden.
-
Das Beispiel verdeutlicht die Vielfalt innerhalb des Crack Segmentation Datensatzes und betont die Bedeutung hochwertiger Daten für das Training effektiver Computer-Vision-Modelle.
Zitate und Danksagungen
Wenn Sie den Crack Segmentation-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie bitte die Quelle entsprechend. Der Datensatz wurde über Roboflow zur Verfügung gestellt:
@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 },
}
Wir danken dem Team von Roboflow für die Bereitstellung des Crack Segmentation-Datensatzes, der eine wertvolle Ressource für die Computer-Vision-Community darstellt, insbesondere für Projekte im Bereich der Verkehrssicherheit und der Infrastrukturbewertung.
FAQ
Was ist der Crack Segmentation Datensatz?
Der Crack Segmentation Dataset ist eine Sammlung von 4029 statischen Bildern, die für Transport- und öffentliche Sicherheitsstudien entwickelt wurden. Er eignet sich für Aufgaben wie die Entwicklung von Modellen für selbstfahrende Autos und die Infrastrukturwartung. Er umfasst Trainings-, Test- und Validierungssätze für Risserkennungs- und Segmentierungsaufgaben.
Wie trainiere ich ein Modell mit dem Crack Segmentation Dataset mit Ultralytics YOLO11?
Um ein Ultralytics YOLO11-Modell auf diesem Datensatz zu trainieren, verwenden Sie die bereitgestellten Python- oder CLI-Beispiele. Detaillierte Anweisungen und Parameter sind auf der Seite Modelltraining verfügbar. Sie können Ihren Trainingsprozess mit Tools wie Ultralytics HUB verwalten.
Trainingsbeispiel
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
Warum das Crack Segmentation Dataset für Projekte mit selbstfahrenden Autos verwenden?
Dieser Datensatz ist aufgrund seiner vielfältigen Bilder von Straßen und Mauern, die verschiedene reale Szenarien abdecken, wertvoll für Projekte mit selbstfahrenden Autos. Diese Vielfalt verbessert die Robustheit von Modellen, die für die Risserkennung trainiert wurden, was für die Verkehrssicherheit und die Beurteilung der Infrastruktur von entscheidender Bedeutung ist. Die detaillierten Anmerkungen helfen bei der Entwicklung von Modellen, die potenzielle Straßengefahren genau identifizieren können.
Welche Funktionen bietet Ultralytics YOLO für die Risssegmentierung?
Ultralytics YOLO bietet Echtzeit-Funktionen zur Objekterkennung, -segmentierung und -klassifizierung und eignet sich daher hervorragend für Aufgaben zur Risssegmentierung. Es verarbeitet effizient große Datensätze und komplexe Szenarien. Das Framework umfasst umfassende Modi für das Training, die Vorhersage und den Export von Modellen. Der ankerfreie Erkennungsansatz von YOLO kann die Leistung bei unregelmäßigen Formen wie Rissen verbessern, und die Leistung kann anhand von Standard-Metriken gemessen werden.
Wie zitiere ich das Crack Segmentation Dataset?
Wenn Sie diesen Datensatz in Ihrer Arbeit verwenden, zitieren Sie ihn bitte unter Verwendung des oben angegebenen BibTeX-Eintrags, um den Urhebern die entsprechende Anerkennung zukommen zu lassen.