Riss-Segmentierungs-Datensatz
Der Crack Segmentation Dataset, der auf Roboflow Universe verfügbar ist, ist eine umfangreiche Ressource für Personen, die sich mit Verkehr und öffentlicher Sicherheit beschäftigen. Er eignet sich auch für die Entwicklung von Modellen für selbstfahrende Autos oder für die Erforschung verschiedener Computer-Vision-Anwendungen. Dieser Datensatz ist Teil der breiteren Sammlung, die auf dem Ultralytics Datasets Hub verfügbar ist.
Beobachten: Risssegmentierung mit Ultralytics YOLOv9.
Dieser Datensatz umfasst 4029 statische Bilder von verschiedenen Straßen- und Mauerszenarien und ist ein wertvolles Hilfsmittel für Risssegmentierungsaufgaben. Ganz gleich, ob Sie die Verkehrsinfrastruktur erforschen oder die Genauigkeit autonomer Fahrsysteme verbessern möchten, dieser Datensatz bietet eine umfangreiche Sammlung von Bildern für das Training von Deep-Learning-Modellen.
Struktur des Datensatzes
Der Crack-Segmentierungsdatensatz ist in drei Teilmengen unterteilt:
- Übungssatz: 3717 Bilder mit entsprechenden Kommentaren.
- Testsatz: 112 Bilder mit entsprechenden Kommentaren.
- Validierungssatz: 200 Bilder mit entsprechenden Kommentaren.
Anwendungen
Die Risssegmentierung findet praktische Anwendung bei der Instandhaltung von Infrastrukturen und hilft bei der Erkennung und Bewertung von strukturellen Schäden an Gebäuden, Brücken und Straßen. Sie spielt auch eine entscheidende Rolle bei der Erhöhung der Straßenverkehrssicherheit, indem sie automatisierte Systeme in die Lage versetzt, Fahrbahnrisse zu erkennen und rechtzeitig zu reparieren.
In industriellen Umgebungen wird die Risserkennung mit Hilfe von Deep-Learning-Modellen wie Ultralytics YOLO11 dazu bei, die Integrität von Gebäuden im Bauwesen zu gewährleisten, kostspielige Ausfallzeiten in der Fertigung zu verhindern und Straßeninspektionen sicherer und effektiver zu machen. Die automatische Erkennung und Klassifizierung von Rissen ermöglicht es Wartungsteams, Reparaturen effizient zu priorisieren, was zu besseren Erkenntnissen bei der Modellbewertung beiträgt.
Datensatz YAML
A YAML (Yet Another Markup Language)-Datei definiert die Konfiguration des Datensatzes. Sie enthält Einzelheiten zu den Pfaden, Klassen und anderen relevanten Informationen des Datensatzes. Für den Datensatz "Riss-Segmentierung" ist die Datei 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 (91.2 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
Um das Ultralytics YOLO11n-Modell auf dem Crack-Segmentierungsdatensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie Folgendes Python Codeschnipsel. Eine umfassende Liste der verfügbaren Argumente und Konfigurationen, wie z. B. die Abstimmung der Hyperparameter, finden Sie auf der Dokumentationsseite zum Modelltraining.
Beispiel für einen Zug
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')
Beispieldaten und Anmerkungen
Der Datensatz zur Riss-Segmentierung enthält eine vielfältige Sammlung von Bildern, die aus verschiedenen Perspektiven aufgenommen wurden und verschiedene Arten von Rissen auf Straßen und Mauern zeigen. Hier sind einige Beispiele:
-
Dieses Bild zeigt die Segmentierung von Instanzen mit kommentierten Bounding Boxes und Masken, die die identifizierten Risse umreißen. Der Datensatz enthält Bilder von verschiedenen Orten und Umgebungen und ist damit eine umfassende Ressource für die Entwicklung robuster Modelle für diese Aufgabe. Techniken wie die Datenerweiterung können die Vielfalt des Datensatzes weiter erhöhen. Erfahren Sie mehr über Instanzsegmentierung und -verfolgung in unserem Leitfaden.
-
Das Beispiel verdeutlicht die Vielfalt des Crack-Segmentierungsdatensatzes und macht deutlich, wie wichtig qualitativ hochwertige Daten für das Training effektiver Computer-Vision-Modelle sind.
Zitate und Danksagungen
Wenn Sie den Crack Segmentation-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, geben Sie bitte die Quelle entsprechend an. 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 Datensatzes zur Riss-Segmentierung, der eine wertvolle Ressource für die Computer-Vision-Gemeinschaft darstellt, insbesondere für Projekte im Zusammenhang mit Verkehrssicherheit und Infrastrukturbewertung.
FAQ
Was ist der Crack-Segmentierungsdatensatz?
Der Crack Segmentation Dataset ist eine Sammlung von 4029 statischen Bildern, die für Studien im Bereich Verkehr und öffentliche Sicherheit entwickelt wurden. Er eignet sich für Aufgaben wie die Entwicklung von Modellen für selbstfahrende Autos und die Instandhaltung der Infrastruktur. Er umfasst Trainings-, Test- und Validierungssets für Risserkennung und Segmentierungsaufgaben.
Wie trainiere ich ein Modell mit dem Crack Segmentation Dataset mit Ultralytics YOLO11 ?
Zur Ausbildung eines Ultralytics YOLO11 Modell auf diesem Datensatz zu trainieren, verwenden Sie die mitgelieferten Python oder CLI . Detaillierte Anweisungen und Parameter finden Sie auf der Seite Modelltraining. Sie können Ihren Trainingsprozess mit Tools wie Ultralytics HUB verwalten.
Beispiel für einen Zug
Warum sollte man den Crack-Segmentierungsdatensatz für Projekte im Bereich selbstfahrende Autos verwenden?
Dieser Datensatz ist aufgrund seiner vielfältigen Bilder von Straßen und Wänden, die verschiedene reale Szenarien abdecken, für Projekte mit selbstfahrenden Autos wertvoll. Diese Vielfalt verbessert die Robustheit von Modellen, die für die Risserkennung trainiert wurden, was für die Verkehrssicherheit und die Bewertung der Infrastruktur entscheidend ist. Die detaillierten Anmerkungen helfen bei der Entwicklung von Modellen, die potenzielle Gefahren im Straßenverkehr genau erkennen können.
Welche Funktionen bietet Ultralytics YOLO für die Segmentierung von Rissen?
Ultralytics YOLO bietet Objekterkennung, -segmentierung und -klassifizierung in Echtzeit und eignet sich daher hervorragend für Risssegmentierungsaufgaben. Es verarbeitet effizient große Datensätze und komplexe Szenarien. Das Framework enthält umfassende Modi für das Training, die Vorhersage und den Export von Modellen. Der verankerungsfreie Erkennungsansatz von YOLO kann die Leistung bei unregelmäßigen Formen wie Rissen verbessern, und die Leistung kann mit Standardmetriken gemessen werden.
Wie zitiere ich den Crack-Segmentierungsdatensatz?
Wenn Sie diesen Datensatz in Ihrer Arbeit verwenden, zitieren Sie ihn bitte unter Verwendung des oben angegebenen BibTeX-Eintrags, um den Urhebern die entsprechende Ehre zu erweisen.
