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 zu Freizeitzwecken Bildverarbeitungsanwendungen erforschen.

Dieser Datensatz umfasst insgesamt 4029 statische Bilder von verschiedenen Straßen- und Mauerszenarien und ist ein wertvolles Hilfsmittel für die Risssegmentierung. Ganz gleich, ob du dich mit den Feinheiten der Verkehrsforschung beschäftigst oder die Genauigkeit deiner Modelle für selbstfahrende Autos verbessern willst, dieser Datensatz bietet eine reichhaltige und vielfältige Sammlung von Bildern, die dich bei deinen Bemühungen unterstützen.

Struktur des Datensatzes

Die Aufteilung der Daten im Crack Segmentation Dataset ist wie folgt:

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

Anwendungen

Die Risssegmentierung findet praktische Anwendung in der Infrastrukturinstandhaltung und hilft bei der Erkennung und Bewertung von Strukturschäden. Sie spielt auch eine wichtige Rolle bei der Erhöhung der Straßensicherheit, indem sie automatisierte Systeme in die Lage versetzt, Fahrbahnrisse zu erkennen und rechtzeitig zu reparieren.

Datensatz YAML

Die Konfiguration des Datensatzes wird in einer YAML (Yet Another Markup Language)-Datei beschrieben, die Details über Pfade, Klassen und andere relevante Informationen enthält. Für den Crack Segmentation-Datensatz wird die crack-seg.yaml Datei wird verwaltet und ist zugänglich unter https://github.com/ultralytics/ultralytics/blob/main/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

Um das Modell Ultralytics YOLOv8n auf dem Crack Segmentation Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Beispieldaten und Anmerkungen

Der Datensatz zur Riss-Segmentierung umfasst eine vielfältige Sammlung von Bildern und Videos, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend findest du einige Daten aus dem Datensatz mit den dazugehörigen Kommentaren:

• 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 in unterschiedlichen Dichten aufgenommen wurden, was ihn zu einer umfassenden Ressource für die Entwicklung von Modellen für diese spezielle Aufgabe macht.

• 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 du den Datensatz zur Risssegmentierung in deine Forschungs- oder Entwicklungsarbeit einbeziehst, beziehe dich 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 dafür danken, dass es den Risssegmentierungsdatensatz als wertvolle Ressource für Verkehrssicherheits- und Forschungsprojekte erstellt und gepflegt hat. Weitere Informationen über den Risssegmentierungsdatensatz und seine Ersteller findest du auf der Seite zum 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 enthält Trainings-, Test- und Validierungssätze, die eine genaue Risserkennung und -segmentierung ermöglichen.

Wie trainiere ich ein Modell mit dem Crack Segmentation Dataset mit Ultralytics YOLOv8 ?

Um ein Ultralytics YOLOv8 Modell auf dem Crack Segmentation Dataset zu trainieren, verwende die folgenden Codeschnipsel. Detaillierte Anweisungen und weitere Parameter findest du auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Warum sollte ich den Crack Segmentation Dataset für mein Projekt mit selbstfahrenden 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 Echtzeit-Objekterkennungs-, Segmentierungs- und Klassifizierungsfunktionen, die sie ideal für Risssegmentierungsaufgaben machen. Seine Fähigkeit, große Datensätze und komplexe Szenarien zu verarbeiten, gewährleistet hohe Genauigkeit und Effizienz. Die Modi " Training", " Vorhersage" und " Export" decken umfassende Funktionen ab, vom Training bis zum Einsatz.

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

Wenn du den Crack Segmentation Dataset in deine Forschung einbeziehst, verwende 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 stellt sicher, dass die Ersteller des Datensatzes ordnungsgemäß anerkannt werden und die Verwendung des Datensatzes in deiner Forschung bestätigt wird.

Kommentare