Conjunto de datos de segmentación de grietas
El conjunto de datos de segmentación de grietas, disponible en Roboflow Universe, es un amplio recurso diseñado para personas implicadas en estudios sobre transporte y seguridad pública. También es beneficioso para desarrollar modelos de coches autoconducidos o explorar diversas aplicaciones de visión por ordenador. Este conjunto de datos forma parte de la amplia colección disponible en Ultralytics Datasets Hub.
Observa: Segmentación de grietas mediante Ultralytics YOLOv9.
Compuesto por 4029 imágenes estáticas capturadas en diversos escenarios de carreteras y muros, este conjunto de datos es un activo valioso para las tareas de segmentación de grietas. Tanto si está investigando infraestructuras de transporte como si pretende mejorar la precisión de los sistemas de conducción autónoma, este conjunto de datos proporciona una rica colección de imágenes para entrenar modelos de aprendizaje profundo.
Estructura del conjunto de datos
El conjunto de datos de segmentación de grietas está organizado en tres subconjuntos:
- Conjunto de entrenamiento: 3717 imágenes con sus correspondientes anotaciones.
- Conjunto de pruebas: 112 imágenes con sus correspondientes anotaciones.
- Conjunto de validación: 200 imágenes con sus correspondientes anotaciones.
Aplicaciones
La segmentación de grietas tiene aplicaciones prácticas en el mantenimiento de infraestructuras, ya que ayuda a identificar y evaluar daños estructurales en edificios, puentes y carreteras. También desempeña un papel crucial en la mejora de la seguridad vial al permitir a los sistemas automatizados detectar grietas en el pavimento para repararlas a tiempo.
En entornos industriales, la detección de grietas mediante modelos de aprendizaje profundo como Ultralytics YOLO11 ayuda a garantizar la integridad de los edificios en la construcción, evita costosos tiempos de inactividad en la fabricación y hace que las inspecciones de carreteras sean más seguras y eficaces. La identificación y clasificación automática de grietas permite a los equipos de mantenimiento priorizar las reparaciones de manera eficiente, lo que contribuye a una mejor comprensión de la evaluación de los modelos.
Conjunto de datos YAML
A YAML (Yet Another Markup Language) define la configuración del conjunto de datos. Incluye detalles sobre las rutas del conjunto de datos, las clases y otra información relevante. Para el conjunto de datos de segmentación de grietas, el archivo crack-seg.yaml se mantiene en 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
Utilización
Para entrenar el modelo YOLO11n Ultralytics en el conjunto de datos de segmentación de grietas durante 100 épocas con un tamaño de imagen de 640, utilice lo siguiente Python de Python. Consulte la página de documentación de Entrenamiento del modelo para obtener una lista completa de los argumentos y configuraciones disponibles, como el ajuste de hiperparámetros.
Ejemplo de tren
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')
Ejemplos de datos y anotaciones
El conjunto de datos de segmentación de grietas contiene una variada colección de imágenes captadas desde distintas perspectivas, que muestran diferentes tipos de grietas en carreteras y muros. He aquí algunos ejemplos:
-
Esta imagen muestra la segmentación de instancias, con recuadros delimitadores anotados y máscaras que delimitan las grietas identificadas. El conjunto de datos incluye imágenes de distintos lugares y entornos, lo que lo convierte en un recurso completo para desarrollar modelos sólidos para esta tarea. Técnicas como el aumento de datos pueden mejorar aún más la diversidad del conjunto de datos. Obtenga más información sobre la segmentación y el seguimiento de instancias en nuestra guía.
-
El ejemplo pone de relieve la diversidad del conjunto de datos de segmentación de grietas y subraya la importancia de disponer de datos de alta calidad para entrenar modelos de visión por ordenador eficaces.
Citas y agradecimientos
Si utiliza el conjunto de datos de segmentación de grietas en su trabajo de investigación o desarrollo, cite la fuente de forma adecuada. El conjunto de datos está disponible a través de Roboflow:
@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 },
}
Agradecemos al equipo de Roboflow la puesta a disposición del conjunto de datos de segmentación de grietas, que proporciona un valioso recurso para la comunidad de visión por ordenador, especialmente para proyectos relacionados con la seguridad vial y la evaluación de infraestructuras.
PREGUNTAS FRECUENTES
¿Qué es el conjunto de datos de segmentación de grietas?
El Crack Segmentation Dataset es una colección de 4029 imágenes estáticas diseñada para estudios de transporte y seguridad pública. Es adecuado para tareas como el desarrollo de modelos de coches autoconducidos y el mantenimiento de infraestructuras. Incluye conjuntos de entrenamiento, prueba y validación para tareas de detección y segmentación de grietas.
¿Cómo entreno un modelo utilizando el conjunto de datos de segmentación de grietas con Ultralytics YOLO11 ?
Para entrenar un Ultralytics YOLO11 en este conjunto de datos, utilice los ejemplos de Python o CLI proporcionados. Las instrucciones detalladas y los parámetros están disponibles en la página de entrenamiento del modelo. Puede gestionar su proceso de entrenamiento utilizando herramientas como Ultralytics HUB.
Ejemplo de tren
¿Por qué utilizar el Crack Segmentation Dataset para proyectos de conducción autónoma?
Este conjunto de datos es valioso para los proyectos de conducción autónoma de automóviles debido a su diversidad de imágenes de carreteras y muros, que abarcan varios escenarios del mundo real. Esta diversidad mejora la solidez de los modelos entrenados para la detección de grietas, que es crucial para la seguridad vial y la evaluación de infraestructuras. Las anotaciones detalladas ayudan a desarrollar modelos capaces de identificar con precisión los peligros potenciales de las carreteras.
¿Qué funciones ofrece Ultralytics YOLO para la segmentación de grietas?
Ultralytics YOLO ofrece funciones de detección, segmentación y clasificación de objetos en tiempo real, lo que lo hace muy adecuado para tareas de segmentación de grietas. Maneja eficazmente grandes conjuntos de datos y escenarios complejos. El marco de trabajo incluye modos integrales de formación, predicción y exportación de modelos. El enfoque de detección sin anclajes de YOLO puede mejorar el rendimiento en formas irregulares como las grietas, y el rendimiento puede medirse utilizando métricas estándar.
¿Cómo cito el conjunto de datos de segmentación de grietas?
Si utiliza este conjunto de datos en su trabajo, le rogamos que lo cite utilizando la entrada BibTeX proporcionada más arriba para dar el crédito apropiado a los creadores.
