Link to this sectionConjunto de datos de segmentación de grietas#

El conjunto de datos de segmentación de grietas es un recurso extenso diseñado para personas involucradas en estudios de transporte y seguridad pública. También resulta beneficioso para desarrollar modelos de coches autónomos o explorar diversas aplicaciones de visión artificial. Este conjunto de datos es parte de la colección más amplia disponible en el Datasets Hub de Ultralytics.

Compuesto por 4029 imágenes estáticas capturadas de diversos escenarios de carreteras y muros, este conjunto de datos es un activo valioso para tareas de segmentación de grietas. Tanto si investigas infraestructuras de transporte como si buscas mejorar la precisión de los sistemas de conducción autónoma, este conjunto de datos proporciona una amplia colección de imágenes para entrenar modelos de aprendizaje profundo.

Link to this sectionEstructura del dataset#

El conjunto de datos de segmentación de grietas se organiza en tres subconjuntos:

• Conjunto de entrenamiento: 3717 imágenes con las anotaciones correspondientes.
• Conjunto de pruebas: 200 imágenes con las anotaciones correspondientes.
• Conjunto de validación: 112 imágenes con las anotaciones correspondientes.

Link to this sectionAplicaciones#

La segmentación de grietas tiene aplicaciones prácticas en el mantenimiento de infraestructuras, ayudando en la identificación y evaluación de daños estructurales en edificios, puentes y carreteras. También desempeña un papel crucial en la mejora de la seguridad vial al permitir que los sistemas automatizados detecten grietas en el pavimento para reparaciones oportunas.

En entornos industriales, la detección de grietas utilizando modelos de aprendizaje profundo como Ultralytics YOLO26 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 efectivas. Identificar y clasificar automáticamente las grietas permite a los equipos de mantenimiento priorizar las reparaciones de manera eficiente, lo que contribuye a obtener mejores perspectivas de evaluación de modelos.

Link to this sectionYAML del dataset#

Un archivo 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 🚀 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 sectionUso#

Para entrenar el modelo Ultralytics YOLO26n-seg en el conjunto de datos de segmentación de grietas durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes fragmentos de Python o CLI. Consulta la página de documentación de Entrenamiento de modelos para obtener una lista completa de los argumentos disponibles y configuraciones como el ajuste de hiperparámetros.

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 sectionEjemplos de datos y anotaciones#

El conjunto de datos de segmentación de grietas contiene una colección diversa de imágenes capturadas desde varias perspectivas, que muestran diferentes tipos de grietas en carreteras y muros. Estos son algunos ejemplos:

• Esta imagen demuestra la segmentación de instancias, mostrando cajas delimitadoras anotadas con máscaras que delinean las grietas identificadas. El conjunto de datos incluye imágenes de diferentes ubicaciones y entornos, lo que lo convierte en un recurso integral para desarrollar modelos robustos para esta tarea. Técnicas como el aumento de datos pueden mejorar aún más la diversidad del conjunto de datos. Obtén más información sobre la segmentación de instancias y el seguimiento en nuestra guía.

• El ejemplo destaca la diversidad dentro del conjunto de datos de segmentación de grietas, subrayando la importancia de datos de alta calidad para entrenar modelos de visión artificial efectivos.

Link to this sectionCitas y agradecimientos#

Si utilizas el conjunto de datos de segmentación de grietas en tu trabajo de investigación o desarrollo, por favor cita la fuente adecuadamente:

@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 },
}

Agradecemos al equipo de Roboflow por hacer que el conjunto de datos de segmentación de grietas esté disponible, proporcionando un recurso valioso para la comunidad de visión artificial, particularmente para proyectos relacionados con la seguridad vial y la evaluación de infraestructuras.

Link to this sectionFAQ#

Link to this section¿Qué es el conjunto de datos de segmentación de grietas?#

El conjunto de datos de segmentación de grietas es una colección de 4029 imágenes estáticas diseñadas para estudios de transporte y seguridad pública. Es adecuado para tareas como el desarrollo de modelos de coches autónomos y el mantenimiento de infraestructuras. Incluye conjuntos de entrenamiento, pruebas y validación para tareas de detección y segmentación de grietas.

Link to this section¿Cómo entreno un modelo utilizando el conjunto de datos de segmentación de grietas con Ultralytics YOLO26?#

Para entrenar un modelo Ultralytics YOLO26 en este conjunto de datos, utiliza los ejemplos de Python o CLI proporcionados. Las instrucciones detalladas y los parámetros están disponibles en la página de Entrenamiento del modelo. Puedes gestionar tu proceso de entrenamiento utilizando herramientas como la Plataforma Ultralytics.

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 section¿Por qué usar el conjunto de datos de segmentación de grietas para proyectos de coches autónomos?#

Este conjunto de datos es valioso para proyectos de coches autónomos debido a sus diversas imágenes de carreteras y muros, que cubren varios escenarios del mundo real. Esta diversidad mejora la robustez de los modelos entrenados para la detección de grietas, lo cual es crucial para la seguridad vial y la evaluación de infraestructuras. Las anotaciones detalladas ayudan a desarrollar modelos que pueden identificar con precisión posibles peligros en la carretera.

Link to this section¿Qué características ofrece Ultralytics YOLO para la segmentación de grietas?#

Ultralytics YOLO ofrece capacidades de detección de objetos, segmentación y clasificación en tiempo real, lo que lo hace altamente adecuado para tareas de segmentación de grietas. Maneja de manera eficiente grandes conjuntos de datos y escenarios complejos. El framework incluye modos completos para el Entrenamiento, la Predicción y la Exportación de modelos. El enfoque de detección sin anclas de YOLO puede mejorar el rendimiento en formas irregulares como las grietas, y el rendimiento puede medirse utilizando métricas estándar.

Link to this section¿Cómo cito el conjunto de datos de segmentación de grietas?#

Si utilizas este conjunto de datos en tu trabajo, por favor cítalo utilizando la entrada BibTeX proporcionada anteriormente para dar el crédito apropiado a los creadores.