Roboflow Conjunto de datos de segmentación de grietas en el universo

El Roboflow Crack Segmentation Dataset destaca por ser 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 aplicaciones de visión por ordenador con fines recreativos.

Con un total de 4.029 imágenes estáticas capturadas en diversos escenarios de carreteras y muros, este conjunto de datos se presenta como un valioso activo para tareas relacionadas con la segmentación de grietas. Tanto si está profundizando en los entresijos de la investigación sobre el transporte como si busca mejorar la precisión de sus modelos de conducción autónoma, este conjunto de datos proporciona una colección rica y variada de imágenes para apoyar sus 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 a los sistemas automatizados detectar y tratar 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/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 YOLO11n en el conjunto de datos de segmentación de grietas durante 100 épocas con un tamaño de imagen de 640, puede utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulte la página de entrenamiento del modelo.

Ejemplo de tren

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Ejemplos 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:

Imagen de muestra del conjunto de datos

Esta imagen presenta un ejemplo de segmentación de objetos de imagen, con recuadros delimitadores anotados y 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 muy completo para desarrollar modelos diseñados para esta tarea concreta.
El ejemplo subraya la diversidad y complejidad del conjunto de datos de segmentación de grietas y pone de relieve el papel crucial de los datos de alta calidad en las tareas de visión por ordenador.

Citas y agradecimientos

Si incorpora el conjunto de datos de segmentación de grietas a sus trabajos de investigación o desarrollo, le rogamos que haga referencia al siguiente documento:

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 },
}

Queremos agradecer al equipo de Roboflow la creación y el mantenimiento del 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, visite 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 4.029 imágenes estáticas diseñadas específicamente para estudios de transporte y seguridad pública. Es ideal para tareas como el desarrollo de modelos de vehículos 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 YOLO11 ?

Para entrenar un modelo Ultralytics YOLO11 en el conjunto de datos de segmentación de grietas, utilice los siguientes fragmentos de código. Encontrará instrucciones detalladas y más parámetros en la página de entrenamiento del modelo.

Ejemplo de tren

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

¿Por qué debería utilizar el Crack Segmentation Dataset para mi proyecto de coche autónomo?

El conjunto de datos de segmentación de grietas es excepcionalmente adecuado para proyectos de conducción autónoma gracias a su variada colección de 4.029 imágenes de carreteras y muros, que ofrecen una amplia gama de escenarios. Esta diversidad mejora la precisión y la solidez de los modelos entrenados para la detección de grietas, algo 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 Training, Predict y Export del modelo cubren funcionalidades completas, desde la formación hasta el despliegue.

¿Cómo cito el conjunto de datos de segmentación de grietas Roboflow en mi trabajo de investigación?

Si incorpora el Crack Segmentation Dataset a su investigación, utilice la siguiente referencia BibTeX: