Roboflow Conjunto de datos de segmentación de grietas en el universo

El Roboflow Conjunto de Datos de Segmentación de Grietas destaca como un amplio recurso diseñado específicamente para las personas implicadas en estudios sobre transporte y seguridad pública. Es igualmente beneficioso para quienes trabajan en el desarrollo de modelos de coches autoconducidos o simplemente exploran las aplicaciones de visión por ordenador con fines recreativos.

Compuesto por un total de 4029 imágenes estáticas captadas en diversos escenarios de carreteras y muros, este conjunto de datos se perfila como un valioso activo para tareas relacionadas con la segmentación de grietas. Tanto si te adentras en los entresijos de la investigación sobre el transporte como si buscas mejorar la precisión de tus modelos de coches autoconducidos, este conjunto de datos te proporciona una rica y variada colección de imágenes para apoyar tus esfuerzos.

Estructura del conjunto de datos

La división de los datos dentro del Conjunto de Datos de Segmentación de Grietas es la siguiente:

• Conjunto de entrenamiento: Consta de 3717 imágenes con sus correspondientes anotaciones.
• Conjunto de pruebas: Comprende 112 imágenes junto con sus respectivas anotaciones.
• Conjunto de validación: Incluye 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 los daños estructurales. También desempeña un papel crucial en la mejora de la seguridad vial, al permitir que los sistemas automatizados detecten y traten las grietas del pavimento para repararlas a tiempo.

Conjunto de datos YAML

Se emplea un archivo YAML (Yet Another Markup Language) para esbozar la configuración del conjunto de datos, que incluye detalles sobre rutas, clases y otra información pertinente. En concreto, para el conjunto de datos de Segmentación de Grietas, el archivo crack-seg.yaml se gestiona y es accesible en 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

Utilización

Para entrenar el modelo Ultralytics YOLOv8n en el conjunto de datos Segmentación de grietas durante 100 épocas con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página Entrenamiento del modelo.

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

Muestra de datos y anotaciones

El conjunto de datos de Segmentación de Grietas comprende una variada colección de imágenes y vídeos capturados desde múltiples perspectivas. A continuación se muestran ejemplos de datos del conjunto de datos, acompañados de sus respectivas anotaciones:

• Esta imagen presenta un ejemplo de segmentación de objetos de imagen, con cuadros delimitadores anotados con máscaras que delinean los objetos identificados. El conjunto de datos incluye una gran variedad de imágenes tomadas en distintos lugares, entornos y densidades, lo que lo convierte en un recurso completo para desarrollar modelos diseñados para esta tarea concreta.

• El ejemplo subraya la diversidad y complejidad que se encuentran en el conjunto de datos de segmentación de grietas, destacando el papel crucial de los datos de alta calidad en las tareas de visión por ordenador.

Citas y agradecimientos

Si incorporas el conjunto de datos de segmentación de grietas a tus esfuerzos de investigación o desarrollo, ten la amabilidad de hacer referencia al siguiente documento:

@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 },
}

Queremos dar las gracias al equipo de Roboflow por crear y mantener el conjunto de datos de Segmentación de Grietas como valioso recurso para los proyectos de seguridad vial e investigación. Para más información sobre el conjunto de datos de segmentación de grietas y sus creadores, visita la Página del conjunto de datos de segmentación de grietas.

PREGUNTAS FRECUENTES

¿Qué es el conjunto de datos de segmentación de grietas Roboflow ?

El Conjunto de Datos de Segmentación de Grietas Roboflow es una completa colección de 4029 imágenes estáticas diseñadas específicamente para estudios de transporte y seguridad pública. Es ideal para tareas como el desarrollo de modelos de coches autoconducidos y el mantenimiento de infraestructuras. El conjunto de datos incluye conjuntos de entrenamiento, prueba y validación, que ayudan a detectar y segmentar grietas con precisión.

¿Cómo entreno un modelo utilizando el conjunto de datos de segmentación de grietas con Ultralytics YOLOv8 ?

Para entrenar un modelo Ultralytics YOLOv8 en el conjunto de datos Segmentación de grietas, utiliza los siguientes fragmentos de código. Puedes encontrar instrucciones detalladas y más parámetros en la página Entrenamiento del modelo.

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

¿Por qué debería utilizar el Conjunto de Datos de Segmentación de Grietas para mi proyecto de coche autoconducido?

El Conjunto de Datos de Segmentación de Grietas es excepcionalmente adecuado para proyectos de coches autoconducidos debido a su diversa colección de 4029 imágenes de carreteras y muros, que proporcionan una variada gama de escenarios. Esta diversidad mejora la precisión y robustez de los modelos entrenados para la detección de grietas, crucial para mantener la seguridad vial y garantizar la reparación oportuna de las infraestructuras.

¿Qué características únicas ofrece Ultralytics YOLO para la segmentación de grietas?

Ultralytics YOLO ofrece funciones avanzadas de detección, segmentación y clasificación de objetos en tiempo real que lo hacen ideal para tareas de segmentación de grietas. Su capacidad para manejar grandes conjuntos de datos y escenarios complejos garantiza una gran precisión y eficacia. Por ejemplo, los modos de Entrenamiento, Predicción y Exportación del modelo cubren funcionalidades completas, desde el entrenamiento hasta el despliegue.

¿Cómo cito el Conjunto de Datos de Segmentación de Grietas Roboflow en mi trabajo de investigación?

Si incorporas el Conjunto de datos de segmentación de grietas a tu investigación, utiliza la siguiente referencia BibTeX:

@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 },
}

Este formato de cita garantiza la debida acreditación a los creadores del conjunto de datos y reconoce su uso en tu investigación.

Comentarios