Zum Inhalt springen

Roboflow Universum Riss-Segmentierungsdatensatz

Der Roboflow Crack Segmentation Dataset ist eine umfangreiche Ressource, die speziell für Personen entwickelt wurde, die sich mit Verkehr und öffentlicher Sicherheit befassen. Er ist auch für diejenigen von Nutzen, die an der Entwicklung von Modellen für selbstfahrende Autos arbeiten oder einfach nur Computer-Vision-Anwendungen zu Freizeitzwecken erforschen.

Dieser Datensatz umfasst insgesamt 4029 statische Bilder von verschiedenen Straßen- und Mauerszenarien und ist ein wertvolles Hilfsmittel für Aufgaben im Zusammenhang mit der Segmentierung von Rissen. Ganz gleich, ob Sie sich mit den Feinheiten der Verkehrsforschung befassen oder die Genauigkeit Ihrer Modelle für selbstfahrende Autos verbessern wollen, dieser Datensatz bietet eine reichhaltige und vielfältige Sammlung von Bildern, die Sie bei Ihren Bemühungen unterstützen.

Struktur des Datensatzes

Die Aufteilung der Daten innerhalb des Crack-Segmentierungsdatensatzes wird wie folgt beschrieben:

  • Übungssatz: Besteht aus 3717 Bildern mit entsprechenden Kommentaren.
  • Testsatz: Besteht aus 112 Bildern und den dazugehörigen Anmerkungen.
  • Validierungssatz: Enthält 200 Bilder mit den entsprechenden Anmerkungen.

Anwendungen

Die Risssegmentierung findet praktische Anwendung in der Instandhaltung von Infrastrukturen und hilft bei der Erkennung und Bewertung von Strukturschäden. Sie spielt auch eine entscheidende Rolle bei der Erhöhung der Straßensicherheit, da sie es automatisierten Systemen ermöglicht, Risse in der Fahrbahn zu erkennen und rechtzeitig zu reparieren.

Datensatz YAML

Eine YAML (Yet Another Markup Language)-Datei wird verwendet, um die Konfiguration des Datensatzes zu umreißen, die Details über Pfade, Klassen und andere einschlägige Informationen enthält. Speziell für den Datensatz Crack Segmentation wird die crack-seg.yaml Datei verwaltet wird und zugänglich ist unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

ultralytics/cfg/datasets/crack-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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

Verwendung

Zum Trainieren des Modells Ultralytics YOLO11n auf dem Crack Segmentation-Datensatz für 100 Epochen mit einer Bildgröße von 640 können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

Beispiel für einen Zug

from ultralytics import YOLO

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

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

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

Beispieldaten und Anmerkungen

Der Datensatz "Crack Segmentation" umfasst eine vielfältige Sammlung von Bildern und Videos, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend finden Sie Beispiele von Daten aus dem Datensatz mit den entsprechenden Kommentaren:

Datensatz Beispielbild

  • Dieses Bild zeigt ein Beispiel für die Segmentierung von Bildobjekten mit beschrifteten Bounding Boxes und Masken, die die identifizierten Objekte umreißen. Der Datensatz enthält eine Vielzahl von Bildern, die an unterschiedlichen Orten, in unterschiedlichen Umgebungen und mit unterschiedlicher Dichte aufgenommen wurden, und ist somit eine umfassende Ressource für die Entwicklung von Modellen für diese spezielle Aufgabe.

  • Das Beispiel unterstreicht die Vielfalt und Komplexität des Crack-Segmentierungsdatensatzes und verdeutlicht die entscheidende Rolle qualitativ hochwertiger Daten bei Computer-Vision-Aufgaben.

Zitate und Danksagungen

Wenn Sie den Datensatz zur Risssegmentierung in Ihre Forschungs- oder Entwicklungsarbeit einbeziehen, verweisen Sie bitte auf das folgende Dokument:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    howpublished = { \url{ https://universe.roboflow.com/university-bswxt/crack-bphdr } },
    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 möchten dem Team von Roboflow für die Erstellung und Pflege des Risssegmentierungsdatensatzes danken, der eine wertvolle Ressource für die Verkehrssicherheit und Forschungsprojekte darstellt. Weitere Informationen über den Risssegmentierungsdatensatz und seine Ersteller finden Sie auf der Seite Risssegmentierungsdatensatz.

FAQ

Was ist der Roboflow Crack Segmentation Dataset?

Der Roboflow Crack Segmentation Dataset ist eine umfassende Sammlung von 4029 statischen Bildern, die speziell für Studien im Bereich Verkehr und öffentliche Sicherheit entwickelt wurden. Er ist ideal für Aufgaben wie die Entwicklung von Modellen für selbstfahrende Autos und die Instandhaltung der Infrastruktur. Der Datensatz umfasst Trainings-, Test- und Validierungssätze, die eine genaue Risserkennung und -segmentierung ermöglichen.

Wie trainiere ich ein Modell mit dem Crack Segmentation Dataset mit Ultralytics YOLO11 ?

Um ein Ultralytics YOLO11 Modell auf dem Crack Segmentation Dataset zu trainieren, verwenden Sie die folgenden Codeschnipsel. Detaillierte Anweisungen und weitere Parameter finden Sie auf der Seite Modelltraining.

Beispiel für einen Zug

from ultralytics import YOLO

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

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

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

Warum sollte ich den Crack-Segmentierungsdatensatz für mein Projekt über selbstfahrende Autos verwenden?

Der Riss-Segmentierungsdatensatz eignet sich aufgrund seiner vielfältigen Sammlung von 4029 Straßen- und Wandbildern, die eine Vielzahl von Szenarien abbilden, hervorragend für Projekte mit selbstfahrenden Autos. Diese Vielfalt erhöht die Genauigkeit und Robustheit von Modellen, die für die Risserkennung trainiert wurden, was für die Aufrechterhaltung der Verkehrssicherheit und die rechtzeitige Reparatur der Infrastruktur entscheidend ist.

Welche einzigartigen Funktionen bietet Ultralytics YOLO für die Segmentierung von Rissen?

Ultralytics YOLO bietet fortschrittliche Funktionen für die Objekterkennung, -segmentierung und -klassifizierung in Echtzeit und ist damit ideal für Risssegmentierungsaufgaben geeignet. Seine Fähigkeit, große Datensätze und komplexe Szenarien zu verarbeiten, gewährleistet hohe Genauigkeit und Effizienz. Die Modi "Training", " Vorhersage" und " Export" decken beispielsweise umfassende Funktionen vom Training bis zum Einsatz ab.

Wie zitiere ich den Roboflow Crack Segmentation Dataset in meiner Forschungsarbeit?

Wenn Sie den Crack Segmentation Dataset in Ihre Forschung einbeziehen, verwenden Sie bitte die folgende BibTeX-Referenz:

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

Dieses Zitierformat gewährleistet die ordnungsgemäße Akkreditierung der Ersteller des Datensatzes und erkennt dessen Verwendung in Ihrer Forschung an.

📅 Erstellt vor 10 Monaten ✏️ Aktualisiert vor 2 Monaten
UltralyticsAssistent glenn-jocher MatthewNoyce RizwanMunawar jk4e

Kommentare