Link to this sectionJeu de données de segmentation de fissures#

The Crack Segmentation Dataset is an extensive resource designed for individuals involved in transportation and public safety studies. It is also beneficial for developing self-driving car models or exploring various computer vision applications. This dataset is part of the broader collection available on the Ultralytics Datasets Hub.

Comprenant 4029 images statiques capturées dans divers scénarios de routes et de murs, ce jeu de données est un atout précieux pour les tâches de segmentation de fissures. Que tu fasses des recherches sur les infrastructures de transport ou que tu cherches à améliorer la précision des systèmes de conduite autonome, ce jeu de données fournit une riche collection d'images pour entraîner des modèles de deep learning.

Link to this sectionStructure du jeu de données#

Le jeu de données de segmentation de fissures est organisé en trois sous-ensembles :

• Ensemble d'entraînement : 3717 images avec les annotations correspondantes.
• Ensemble de test : 200 images avec les annotations correspondantes.
• Ensemble de validation : 112 images avec les annotations correspondantes.

Link to this sectionApplications#

La segmentation de fissures trouve des applications pratiques dans la maintenance des infrastructures, aidant à l'identification et à l'évaluation des dommages structurels dans les bâtiments, les ponts et les routes. Elle joue également un rôle crucial dans l'amélioration de la sécurité routière en permettant aux systèmes automatisés de détecter les fissures sur la chaussée pour des réparations en temps opportun.

Dans les environnements industriels, la détection de fissures à l'aide de modèles de deep learning comme Ultralytics YOLO26 aide à garantir l'intégrité des bâtiments en construction, prévient les temps d'arrêt coûteux dans la fabrication et rend les inspections routières plus sûres et plus efficaces. L'identification et la classification automatiques des fissures permettent aux équipes de maintenance de prioriser les réparations efficacement, contribuant à de meilleures informations sur l'évaluation des modèles.

Link to this sectionYAML du jeu de données#

Un fichier YAML (Yet Another Markup Language) définit la configuration du jeu de données. Il inclut des détails sur les chemins du jeu de données, les classes et d'autres informations pertinentes. Pour le jeu de données de segmentation de fissures, le fichier crack-seg.yaml est maintenu à 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.zip

Link to this sectionUtilisation#

Pour entraîner le modèle Ultralytics YOLO26n-seg sur le jeu de données de segmentation de fissures pendant 100 époques avec une taille d'image de 640, utilise les extraits Python ou CLI suivants. Référe-toi à la page de documentation sur l'Entraînement du modèle pour une liste complète des arguments et configurations disponibles comme le réglage des hyperparamètres.

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')

Link to this sectionExemples de données et d'annotations#

Le jeu de données de segmentation de fissures contient une collection diversifiée d'images capturées sous différents angles, présentant différents types de fissures sur les routes et les murs. Voici quelques exemples :

• Cette image illustre la segmentation d'instance, mettant en évidence des boîtes englobantes annotées avec des masques délimitant les fissures identifiées. Le jeu de données inclut des images provenant de différents lieux et environnements, ce qui en fait une ressource complète pour développer des modèles robustes pour cette tâche. Des techniques comme l'augmentation de données peuvent encore améliorer la diversité du jeu de données. Apprends-en plus sur la segmentation d'instance et le suivi dans notre guide.

• L'exemple souligne la diversité au sein du jeu de données de segmentation de fissures, en mettant l'accent sur l'importance de données de haute qualité pour entraîner des modèles de vision par ordinateur efficaces.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données de segmentation de fissures dans tes travaux de recherche ou de développement, merci de citer la source de manière appropriée :

@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 },
}

Nous remercions l'équipe de Roboflow pour avoir rendu disponible le jeu de données de segmentation de fissures, fournissant une ressource précieuse pour la communauté de la vision par ordinateur, en particulier pour les projets liés à la sécurité routière et à l'évaluation des infrastructures.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données de segmentation de fissures ?#

Le jeu de données de segmentation de fissures est une collection de 4029 images statiques conçues pour les études sur les transports et la sécurité publique. Il convient à des tâches comme le développement de modèles de voitures autonomes et la maintenance des infrastructures. Il inclut des ensembles d'entraînement, de test et de validation pour les tâches de détection et de segmentation de fissures.

Link to this sectionComment puis-je entraîner un modèle en utilisant le jeu de données de segmentation de fissures avec Ultralytics YOLO26 ?#

Pour entraîner un modèle Ultralytics YOLO26 sur ce jeu de données, utilise les exemples Python ou CLI fournis. Des instructions détaillées et des paramètres sont disponibles sur la page Entraînement du modèle. Tu peux gérer ton processus d'entraînement en utilisant des outils comme la plateforme 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)

Link to this sectionPourquoi utiliser le jeu de données de segmentation de fissures pour des projets de voitures autonomes ?#

Ce jeu de données est précieux pour les projets de voitures autonomes en raison de ses images diversifiées de routes et de murs, couvrant divers scénarios du monde réel. Cette diversité améliore la robustesse des modèles entraînés pour la détection de fissures, ce qui est crucial pour la sécurité routière et l'évaluation des infrastructures. Les annotations détaillées aident à développer des modèles capables d'identifier avec précision les dangers potentiels sur la route.

Link to this sectionQuelles fonctionnalités Ultralytics YOLO offre-t-il pour la segmentation de fissures ?#

Ultralytics YOLO fournit des capacités de détection d'objet, de segmentation et de classification en temps réel, le rendant hautement adapté aux tâches de segmentation de fissures. Il gère efficacement les grands jeux de données et les scénarios complexes. Le framework inclut des modes complets pour l'Entraînement, la Prédiction et l'Exportation de modèles. L'approche de détection sans ancres de YOLO peut améliorer les performances sur des formes irrégulières comme les fissures, et les performances peuvent être mesurées en utilisant des métriques standard.

Link to this sectionComment citer le jeu de données de segmentation de fissures ?#

Si tu utilises ce jeu de données dans ton travail, merci de le citer en utilisant l'entrée BibTeX fournie ci-dessus pour accorder le crédit approprié aux créateurs.