Dataset de segmentación de grietas
El Dataset 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 por ordenador. Este dataset forma parte de la colección más amplia disponible en el Datasets Hub de Ultralytics.
Watch: How to Train a Crack Segmentation Model using Ultralytics YOLO26 | AI in Construction 🎉
Compuesto por 4029 imágenes estáticas capturadas en diversos escenarios de carreteras y muros, este dataset es un activo valioso para tareas de segmentación de grietas. Tanto si investigas infraestructuras de transporte como si pretendes mejorar la precisión de los sistemas de conducción autónoma, este dataset proporciona una rica colección de imágenes para entrenar modelos de deep learning.
Estructura del conjunto de datos
El Dataset 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 encuentra 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 mediante modelos de deep learning 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 eficaces. Identificar y clasificar grietas automáticamente permite a los equipos de mantenimiento priorizar las reparaciones de forma eficiente, contribuyendo a mejores información sobre la evaluación de modelos.
YAML del conjunto de datos
Un archivo YAML (Yet Another Markup Language) define la configuración del dataset. Incluye detalles sobre las rutas, clases y otra información relevante del dataset. Para el dataset 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.zipUso
Para entrenar el modelo Ultralytics YOLO26n-seg en el dataset 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 del modelo para obtener una lista completa de los argumentos y configuraciones disponibles, 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')Muestra de datos y anotaciones
El dataset de segmentación de grietas contiene una colección diversa de imágenes capturadas desde varias perspectivas, mostrando diferentes tipos de grietas en carreteras y muros. Aquí tienes algunos ejemplos:
-
Esta imagen demuestra la segmentación de instancias, presentando cajas delimitadoras anotadas con máscaras que perfilan las grietas identificadas. El dataset incluye imágenes de diferentes ubicaciones y entornos, lo que lo convierte en un recurso integral para desarrollar modelos robustos para esta tarea. Técnicas como la aumentación de datos pueden mejorar aún más la diversidad del dataset. Aprende más sobre segmentación de instancias y seguimiento en nuestra guía.
-
El ejemplo resalta la diversidad dentro del dataset de segmentación de grietas, enfatizando la importancia de datos de alta calidad para entrenar modelos de visión por ordenador eficaces.
Citas y reconocimientos
Si utilizas el dataset de segmentación de grietas en tu trabajo de investigación o desarrollo, cita la fuente de forma adecuada:
@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 dataset de segmentación de grietas esté disponible, proporcionando un recurso valioso 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 Dataset de segmentación de grietas?
El Dataset 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.
¿Cómo entreno un modelo utilizando el Dataset de segmentación de grietas con Ultralytics YOLO26?
Para entrenar un modelo Ultralytics YOLO26 en este dataset, utiliza los ejemplos proporcionados de Python o CLI. Las instrucciones y parámetros detallados 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)¿Por qué utilizar el Dataset de segmentación de grietas para proyectos de coches autónomos?
Este dataset 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.
¿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 altamente adecuado para tareas de segmentación de grietas. Maneja eficientemente datasets grandes y escenarios complejos. El framework incluye modos completos para Entrenamiento, Predicción y 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.
¿Cómo cito el Dataset de segmentación de grietas?
Si utilizas este dataset en tu trabajo, por favor cítalo utilizando la entrada BibTeX proporcionada arriba para dar el crédito correspondiente a los creadores.