Dataset de Segmentación de Grietas
El conjunto de datos de segmentación de grietas, disponible en Roboflow Universe, es un recurso extenso diseñado para personas involucradas en estudios de transporte y seguridad pública. También es beneficioso para desarrollar modelos de coches autónomos o explorar diversas aplicaciones de visión artificial. Este conjunto de datos forma parte de la colección más amplia disponible en el Datasets Hub de Ultralytics.
Ver: Segmentación de grietas utilizando Ultralytics YOLOv9.
Con 4029 imágenes estáticas capturadas de diversos escenarios de carreteras y muros, este conjunto de datos es un activo valioso para las tareas de segmentación de grietas. Ya sea que esté investigando la infraestructura de transporte o tratando de 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 se organiza 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 encuentra aplicaciones prácticas en el mantenimiento de infraestructuras, ayudando en la identificación y evaluación de daños estructurales en edificios, puentes y carreteras. También juega un papel crucial en la mejora de la seguridad vial al permitir que los sistemas automatizados detecten grietas en el pavimento para realizar reparaciones oportunas.
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, previene 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 del modelo.
YAML del conjunto de datos
A YAML Un archivo (Yet Another Markup Language) define la configuración del conjunto de datos. Incluye detalles sobre las rutas, las clases y otra información relevante del conjunto de datos. Para el conjunto de datos de segmentación de grietas, el crack-seg.yaml archivo 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 (91.6 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
Uso
Para entrenar el modelo Ultralytics YOLO11n en el conjunto de datos de segmentación de grietas durante 100 epochs con un tamaño de imagen de 640, utilice los siguientes fragmentos de código 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 entrenamiento
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')
# Start training from a pretrained *.pt model using the Command Line Interface
# Ensure the dataset YAML file 'crack-seg.yaml' is correctly configured and accessible
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Datos de muestra y anotaciones
El dataset Crack Segmentation contiene una colección diversa de imágenes capturadas desde varias perspectivas, que muestran diferentes tipos de grietas en carreteras y paredes. Aquí hay algunos ejemplos:
-
Esta imagen muestra la segmentación de instancias, con cuadros delimitadores anotados 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. Obtenga más información sobre la segmentación y el seguimiento de instancias en nuestra guía.
-
El ejemplo destaca la diversidad dentro del conjunto de datos de segmentación de grietas, enfatizando la importancia de los datos de alta calidad para entrenar modelos de visión artificial eficaces.
Citas y agradecimientos
Si utiliza el conjunto de datos Crack Segmentation en su trabajo de investigación o desarrollo, cite la fuente de forma adecuada. El conjunto de datos se puso a disposición 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 por poner a disposición el conjunto de datos de segmentación de grietas, proporcionando un valioso recurso para la comunidad de visión artificial, en particular para los proyectos relacionados con la seguridad vial y la evaluación de infraestructuras.
Preguntas frecuentes
¿Qué es el Dataset de Segmentación de Grietas?
El dataset Crack Segmentation 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, prueba y validación para tareas de detección y segmentación de grietas.
¿Cómo entreno un modelo usando el conjunto de datos de segmentación de grietas con Ultralytics YOLO11?
Para entrenar un modelo Ultralytics YOLO11 en este conjunto de datos, utiliza los ejemplos proporcionados en python o en la CLI. Encontrarás instrucciones detalladas y parámetros en la página de Entrenamiento del modelo. Puedes gestionar tu proceso de entrenamiento utilizando herramientas como Ultralytics HUB.
Ejemplo de entrenamiento
from ultralytics import YOLO
# Load a pretrained model (recommended)
model = YOLO("yolo11n-seg.pt")
# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained model via CLI
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
¿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 la infraestructura. Las anotaciones detalladas ayudan a desarrollar modelos que pueden identificar con precisión los posibles peligros en la carretera.
¿Qué características ofrece Ultralytics YOLO para la segmentación de grietas?
Ultralytics YOLO proporciona capacidades de detección de objetos, segmentación y clasificación en tiempo real, lo que lo hace muy adecuado para tareas de segmentación de grietas. Maneja eficientemente grandes conjuntos de datos y escenarios complejos. El marco incluye modos integrales para el Entrenamiento, la Predicción y la Exportación de modelos. El enfoque de detección sin anclaje de YOLO puede mejorar el rendimiento en formas irregulares como las grietas, y el rendimiento se puede medir utilizando métricas estándar.
¿Cómo cito el conjunto de datos de segmentación de grietas?
Si utiliza este conjunto de datos en su trabajo, cite la entrada BibTeX proporcionada anteriormente para dar el crédito apropiado a los creadores.
