Saltar al contenido

Roboflow Conjunto de datos de segmentaci贸n de grietas en el universo

El Roboflow Conjunto de Datos de Segmentaci贸n de Grietas destaca como un amplio recurso dise帽ado espec铆ficamente para las personas implicadas en estudios sobre transporte y seguridad p煤blica. Es igualmente beneficioso para quienes trabajan en el desarrollo de modelos de coches autoconducidos o simplemente exploran las aplicaciones de visi贸n por ordenador con fines recreativos.

Compuesto por un total de 4029 im谩genes est谩ticas captadas en diversos escenarios de carreteras y muros, este conjunto de datos se perfila como un valioso activo para tareas relacionadas con la segmentaci贸n de grietas. Tanto si te adentras en los entresijos de la investigaci贸n sobre el transporte como si buscas mejorar la precisi贸n de tus modelos de coches autoconducidos, este conjunto de datos te proporciona una rica y variada colecci贸n de im谩genes para apoyar tus esfuerzos.

Estructura del conjunto de datos

La divisi贸n de los datos dentro del Conjunto de Datos de Segmentaci贸n de Grietas es la siguiente:

  • Conjunto de entrenamiento: Consta de 3717 im谩genes con sus correspondientes anotaciones.
  • Conjunto de pruebas: Comprende 112 im谩genes junto con sus respectivas anotaciones.
  • Conjunto de validaci贸n: Incluye 200 im谩genes con sus correspondientes anotaciones.

Aplicaciones

La segmentaci贸n de grietas tiene aplicaciones pr谩cticas en el mantenimiento de infraestructuras, ya que ayuda a identificar y evaluar los da帽os estructurales. Tambi茅n desempe帽a 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 configuraci贸n del conjunto de datos, que incluye detalles sobre rutas, clases y otra informaci贸n pertinente. En concreto, para el conjunto de datos de Segmentaci贸n 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 馃殌, 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
# 鈹溾攢鈹 ultralytics
# 鈹斺攢鈹 datasets
#     鈹斺攢鈹 crack-seg  鈫 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://ultralytics.com/assets/crack-seg.zip

Utilizaci贸n

Para entrenar el modelo Ultralytics YOLOv8n en el conjunto de datos Segmentaci贸n de grietas durante 100 茅pocas con un tama帽o de imagen de 640, puedes utilizar los siguientes fragmentos de c贸digo. Para obtener una lista completa de los argumentos disponibles, consulta la p谩gina Entrenamiento del modelo.

Ejemplo de tren

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 Segmentaci贸n de Grietas comprende una variada colecci贸n de im谩genes y v铆deos capturados desde m煤ltiples perspectivas. A continuaci贸n se muestran ejemplos de datos del conjunto de datos, acompa帽ados de sus respectivas anotaciones:

Imagen de muestra del conjunto de datos

  • Esta imagen presenta un ejemplo de segmentaci贸n de objetos de imagen, con cuadros delimitadores anotados con m谩scaras que delinean los objetos identificados. El conjunto de datos incluye una gran variedad de im谩genes tomadas en distintos lugares, entornos y densidades, lo que lo convierte en un recurso completo para desarrollar modelos dise帽ados para esta tarea concreta.

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

Citas y agradecimientos

Si incorporas el conjunto de datos de segmentaci贸n de grietas a tus esfuerzos de investigaci贸n 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 Segmentaci贸n de Grietas como valioso recurso para los proyectos de seguridad vial e investigaci贸n. Para m谩s informaci贸n sobre el conjunto de datos de segmentaci贸n de grietas y sus creadores, visita la P谩gina del conjunto de datos de segmentaci贸n de grietas.



Creado 2024-01-25, Actualizado 2024-05-18
Autores: glenn-jocher (2), RizwanMunawar (1)

Comentarios