Link to this sectionDatensatz zur Rissegmentierung#

Der Datensatz zur Rissegmentierung ist eine umfassende Ressource für alle, die in den Bereichen Transportwesen und öffentliche Sicherheit forschen. Er ist zudem hilfreich bei der Entwicklung von Modellen für selbstfahrende Autos oder zur Erkundung verschiedener Anwendungen im Bereich Computer Vision. Dieser Datensatz ist Teil der umfangreicheren Sammlung, die im Ultralytics Datasets Hub verfügbar ist.

Mit 4029 statischen Bildern aus verschiedenen Straßen- und Wandszenarien ist dieser Datensatz ein wertvolles Hilfsmittel für Aufgaben der Rissegmentierung. Egal, ob du Verkehrsinfrastruktur erforschst oder die Genauigkeit autonomer Fahrsysteme verbessern möchtest, dieser Datensatz bietet eine reichhaltige Sammlung von Bildern für das Training von Deep Learning Modellen.

Link to this sectionDatensatzstruktur#

Der Datensatz zur Rissegmentierung ist in drei Teilmengen unterteilt:

• Trainingssatz: 3717 Bilder mit entsprechenden Annotationen.
• Testsatz: 200 Bilder mit entsprechenden Annotationen.
• Validierungssatz: 112 Bilder mit entsprechenden Annotationen.

Link to this sectionAnwendungen#

Die Rissegmentierung findet praktische Anwendung in der Infrastrukturwartung und unterstützt bei der Identifizierung und Bewertung von strukturellen Schäden an Gebäuden, Brücken und Straßen. Zudem spielt sie eine entscheidende Rolle bei der Erhöhung der Straßensicherheit, indem sie automatisierten Systemen ermöglicht, Straßenschäden für zeitnahe Reparaturen zu erkennen.

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

Link to this sectionDatensatz-YAML#

Eine YAML (Yet Another Markup Language)-Datei definiert die Konfiguration des Datensatzes. Sie enthält Details zu den Pfaden des Datensatzes, den Klassen und anderen relevanten Informationen. Für den Datensatz zur Rissegmentierung 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

Link to this sectionVerwendung#

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

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 sectionBeispieldaten und Annotationen#

Der Datensatz zur Rissegmentierung 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 Bounding Boxes mit Masken, die erkannte Risse umranden. Der Datensatz enthält Bilder von verschiedenen Orten und Umgebungen, was ihn zu einer umfassenden Ressource für die Entwicklung robuster Modelle für diese Aufgabe macht. Techniken wie Datenaugmentierung können die Vielfalt des Datensatzes weiter erhöhen. Erfahre mehr über Instanzsegmentierung und Tracking in unserem Leitfaden.

• Das Beispiel unterstreicht die Vielfalt innerhalb des Datensatzes zur Rissegmentierung und betont die Bedeutung hochwertiger Daten für das Training effektiver Computer-Vision-Modelle.

Link to this sectionZitate und Danksagungen#

Wenn du den Datensatz zur Rissegmentierung für deine 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 Rissegmentierung, der eine wertvolle Ressource für die Computer-Vision-Community darstellt, insbesondere für Projekte im Bereich Straßensicherheit und Infrastrukturbewertung.

Link to this sectionFAQ#

Link to this sectionWas ist der Datensatz zur Rissegmentierung?#

Der Datensatz zur Rissegmentierung ist eine Sammlung von 4029 statischen Bildern, die für Studien zum Transportwesen und zur öffentlichen Sicherheit konzipiert wurde. Er eignet sich für Aufgaben wie die Entwicklung von Modellen für selbstfahrende Autos und die Infrastrukturwartung. Er umfasst Trainings-, Test- und Validierungssätze für Aufgaben zur Risserkennung und Segmentierung.

Link to this sectionWie trainiere ich ein Modell mit dem Datensatz zur Rissegmentierung unter Verwendung von Ultralytics YOLO26?#

Um ein Ultralytics YOLO26-Modell auf diesem Datensatz zu trainieren, verwende die bereitgestellten Python- oder CLI-Beispiele. Detaillierte Anleitungen und Parameter findest du auf der Seite zum Training des Modells. 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)

Link to this sectionWarum sollte man den Datensatz zur Rissegmentierung für Projekte mit selbstfahrenden Autos verwenden?#

Dieser Datensatz ist aufgrund seiner vielfältigen Bilder von Straßen und Wänden, die verschiedene reale Szenarien abdecken, wertvoll für Projekte mit selbstfahrenden Autos. Diese Vielfalt verbessert die Robustheit von Modellen, 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 Straßengefahren präzise identifizieren können.

Link to this sectionWelche Funktionen bietet Ultralytics YOLO für die Rissegmentierung?#

Ultralytics YOLO bietet Funktionen zur Objekterkennung, Segmentierung und Klassifizierung in Echtzeit, was es sehr geeignet für Aufgaben der Rissegmentierung macht. Es verarbeitet große Datensätze und komplexe Szenarien effizient. Das Framework enthält umfassende Modi für Training, Vorhersage und den Export von Modellen. Der anchor-free Erkennungsansatz von YOLO kann die Leistung bei unregelmäßigen Formen wie Rissen verbessern, und die Leistung kann anhand von Standard-Metriken gemessen werden.

Link to this sectionWie zitiere ich den Datensatz zur Rissegmentierung?#

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.