Datensatz zur Risssegmentierung

Der Datensatz zur Risssegmentierung ist eine umfangreiche Ressource, die für Personen entwickelt wurde, die sich mit Transport- und öffentliche Sicherheit-Studien befassen. Er ist zudem nützlich für die Entwicklung von selbstfahrenden Autos oder für die Untersuchung verschiedener Computer Vision Anwendungen. Dieser Datensatz ist Teil der umfassenderen Sammlung, die im Ultralytics Datasets Hub verfügbar ist.

Dieser Datensatz umfasst 4029 statische Bilder aus verschiedensten Straßen- und Wandszenarien und ist ein wertvoller Gewinn für Risssegmentierungsaufgaben. Ganz gleich, ob du Verkehrsinfrastrukturen erforschst oder die Genauigkeit autonomer Fahrsysteme verbessern möchtest, bietet dieser Datensatz eine reichhaltige Bildersammlung zum Training von Deep Learning Modellen.

Datensatzstruktur

Der Datensatz zur Risssegmentierung ist in drei Teilmengen unterteilt:

• Trainingsset: 3717 Bilder mit zugehörigen Annotationen.
• Testset: 112 Bilder mit zugehörigen Annotationen.
• Validierungsset: 200 Bilder mit zugehörigen Annotationen.

Anwendungen

Risssegmentierung findet praktische Anwendung in der Infrastrukturwartung und hilft bei der Identifizierung und Bewertung struktureller Schäden an Gebäuden, Brücken und Straßen. Zudem spielt sie eine entscheidende Rolle bei der Verbesserung der Straßensicherheit, indem sie automatisierten Systemen ermöglicht, Straßenschäden für rechtzeitige Reparaturen zu erkennen.

In industriellen Umgebungen hilft die Risserkennung mittels Deep Learning Modellen wie Ultralytics YOLO26 dabei, die Gebäudestabilität im Bauwesen sicherzustellen, kostspielige Ausfallzeiten in der Fertigung zu vermeiden und Straßeninspektionen sicherer und effektiver zu gestalten. Durch die automatische Identifizierung und Klassifizierung von Rissen können Wartungsteams Reparaturen effizient priorisieren, was zu besseren Einblicken in die Modellevaluation beiträgt.

Datensatz-YAML

Eine YAML Datei definiert die Konfiguration des Datensatzes. Sie enthält Details über die Pfade des Datensatzes, Klassen und andere relevante Informationen. Für den Datensatz zur Risssegmentierung wird die Datei crack-seg.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml gepflegt.

# 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

Verwendung

Um das Ultralytics YOLO26n-seg Modell für 100 Epochen mit einer Bildgröße von 640 auf dem Datensatz zur Risssegmentierung zu trainieren, verwende die folgenden Python oder CLI Snippets. Siehe die Dokumentationsseite zum Modell-Training für eine umfassende Liste verfügbarer Argumente und Konfigurationen wie Hyperparameter-Tuning.

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')

Beispieldaten und Annotationen

Der Datensatz zur Risssegmentierung 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 Instanzsegmentierung und zeigt annotierte BBoxes mit Masken, die die identifizierten Risse umranden. Der Datensatz enthält Bilder von verschiedenen Standorten und aus unterschiedlichen Umgebungen, was ihn zu einer umfassenden Ressource für die Entwicklung robuster Modelle für diese Aufgabe macht. Techniken wie Datenaugmentation können die Vielfalt des Datensatzes weiter erhöhen. Erfahre mehr über Instanzsegmentierung und Tracking in unserem Leitfaden.

• Das Beispiel hebt die Vielfalt innerhalb des Datensatzes zur Risssegmentierung hervor und betont die Bedeutung hochwertiger Daten für das Training effektiver Computer Vision Modelle.

Zitate und Danksagungen

Wenn du den Datensatz zur Risssegmentierung in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere die Quelle bitte angemessen:

@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 },
}

Wir danken dem Team von Roboflow für die Bereitstellung des Datensatzes zur Risssegmentierung, der eine wertvolle Ressource für die Computer Vision Community darstellt, insbesondere für Projekte im Bereich Straßensicherheit und Infrastrukturbewertung.

FAQ

Was ist der Datensatz zur Risssegmentierung?

Der Datensatz zur Risssegmentierung ist eine Sammlung von 4029 statischen Bildern für Transport- und öffentliche Sicherheit-Studien. Er eignet sich für Aufgaben wie die Entwicklung von selbstfahrenden Autos und Infrastrukturwartung. Er umfasst Trainings-, Test- und Validierungssets für Risserkennungs- und Segmentierungsaufgaben.

Wie trainiere ich ein Modell mit dem Datensatz zur Risssegmentierung und Ultralytics YOLO26?

Um ein Ultralytics YOLO26 Modell auf diesem Datensatz zu trainieren, verwende die bereitgestellten Python oder CLI Beispiele. Detaillierte Anweisungen und Parameter findest du auf der Trainingsseite für das Modell. Du kannst deinen Trainingsprozess mit Tools wie der Ultralytics Platform verwalten.

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)

Warum sollte man den Datensatz zur Risssegmentierung für Projekte mit selbstfahrenden Autos verwenden?

Dieser Datensatz ist für Projekte mit selbstfahrenden Autos wertvoll, da er vielfältige Bilder von Straßen und Wänden enthält, die verschiedene reale Szenarien abdecken. Diese Vielfalt verbessert die Robustheit der Modelle, die für die Risserkennung trainiert werden, was für die Straßensicherheit und Infrastrukturbewertung entscheidend ist. Die detaillierten Annotationen helfen bei der Entwicklung von Modellen, die potenzielle Gefahren auf Straßen präzise identifizieren können.

Welche Funktionen bietet Ultralytics YOLO für die Risssegmentierung?

Ultralytics YOLO bietet Echtzeit-Funktionen für Objekterkennung, Segmentierung und Klassifizierung, wodurch es sich hervorragend für Risssegmentierungsaufgaben eignet. Es verarbeitet effizient große Datensätze und komplexe Szenarien. Das Framework enthält umfassende Modi für Training, Vorhersage und Exportieren von Modellen. Der ankerfreie Erkennungsansatz von YOLO kann die Leistung bei unregelmäßigen Formen wie Rissen verbessern, und die Leistung lässt sich mit Standard-Metriken messen.

Wie zitiere ich den Datensatz zur Risssegmentierung?

Wenn du diesen Datensatz in deiner Arbeit verwendest, zitiere ihn bitte unter Verwendung des oben angegebenen BibTeX-Eintrags, um den Urhebern die entsprechende Anerkennung zukommen zu lassen.