Passer au contenu

Ensemble de données de segmentation de fissures

Ouvrir le jeu de données de segmentation des fissures dans Colab

L'ensemble de données Crack Segmentation, disponible sur Roboflow Universe, est une ressource étendue conçue pour les personnes impliquées dans les études de transport et de sécurité publique. Il est également utile pour développer des modèles de voitures autonomes ou pour explorer diverses applications de vision par ordinateur. Cet ensemble de données fait partie de la collection plus large disponible sur le Datasets Hub d'Ultralytics.



Regarder : Segmentation des fissures à l'aide d'Ultralytics YOLOv9.

Comprenant 4029 images statiques capturées à partir de divers scénarios de routes et de murs, cet ensemble de données est un atout précieux pour les tâches de segmentation de fissures. Que vous fassiez de la recherche sur l'infrastructure de transport ou que vous cherchiez à améliorer la précision des systèmes de conduite autonome, cet ensemble de données fournit une riche collection d'images pour l'entraînement des modèles d'apprentissage profond.

Structure du jeu de données

L'ensemble de données Crack Segmentation est organisé en trois sous-ensembles :

  • Ensemble d'entraînement : 3 717 images avec les annotations correspondantes.
  • Ensemble de test : 112 images avec les annotations correspondantes.
  • Ensemble de validation : 200 images avec les annotations correspondantes.

Applications

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

Dans les environnements industriels, la détection de fissures à l'aide de modèles d'apprentissage profond comme Ultralytics YOLO11 contribue à garantir l'intégrité des bâtiments dans la construction, à prévenir les temps d'arrêt coûteux dans la fabrication et à rendre les inspections routières plus sûres et plus efficaces. L'identification et la classification automatiques des fissures permettent aux équipes de maintenance de prioriser efficacement les réparations, contribuant ainsi à une meilleure compréhension de l'évaluation du modèle.

YAML du jeu de données

A YAML Le fichier (Yet Another Markup Language) définit la configuration du jeu de données. Il comprend des détails sur les chemins d'accès, les classes et d'autres informations pertinentes du jeu de données. Pour le jeu de données Crack Segmentation, le crack-seg.yaml fichier est maintenu à l'adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

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

Utilisation

Pour entraîner le modèle Ultralytics YOLO11n sur l'ensemble de données Crack Segmentation pendant 100 epochs avec une taille d'image de 640, utilisez les extraits de code Python suivants. Consultez la page de documentation Entraînement du modèle pour obtenir une liste complète des arguments et configurations disponibles, tels que le réglage des hyperparamètres.

Exemple d'entraînement

from ultralytics import YOLO

# Load a model
# Using a pretrained model like yolo11n-seg.pt is recommended for faster convergence
model = YOLO("yolo11n-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')
# Start training from a pretrained *.pt model using the Command Line Interface
# Ensure the dataset YAML file 'crack-seg.yaml' is correctly configured and accessible
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Exemple de données et d'annotations

L'ensemble de données Crack Segmentation contient une collection diversifiée d'images capturées sous différents angles, présentant différents types de fissures sur les routes et les murs. Voici quelques exemples :

Exemple d'image de l'ensemble de données

  • Cette image montre la segmentation d'instance, avec des boîtes englobantes annotées avec des masques décrivant les fissures identifiées. L'ensemble de données comprend des images provenant de différents endroits et environnements, ce qui en fait une ressource complète pour développer des modèles robustes pour cette tâche. Des techniques comme l'augmentation des données peuvent améliorer davantage la diversité de l'ensemble de données. Pour en savoir plus sur la segmentation et le suivi d'instances, consultez notre guide.

  • L'exemple met en évidence la diversité au sein de l'ensemble de données Crack Segmentation, soulignant l'importance de données de haute qualité pour l'entraînement de modèles de vision par ordinateur efficaces.

Citations et remerciements

Si vous utilisez l'ensemble de données Crack Segmentation dans vos travaux de recherche ou de développement, veuillez citer la source de manière appropriée. L'ensemble de données a été mis à disposition via Roboflow :

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
    journal = { Roboflow Universe },
    publisher = { Roboflow },
    year = { 2022 },
    month = { dec },
    note = { visited on 2024-01-23 },
}

Nous remercions l'équipe de Roboflow d'avoir mis à disposition l'ensemble de données Crack Segmentation, fournissant ainsi 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.

FAQ

Qu'est-ce que le jeu de données de segmentation des fissures ?

L'ensemble de données Crack Segmentation est une collection de 4029 images statiques conçues pour les études de transport et de sécurité publique. Il convient aux tâches telles que le développement de modèles de voitures autonomes et la maintenance des infrastructures. Il comprend des ensembles d'entraînement, de test et de validation pour les tâches de détection et de segmentation des fissures.

Comment entraîner un modèle en utilisant l'ensemble de données Crack Segmentation avec Ultralytics YOLO11 ?

Pour entraîner un modèle Ultralytics YOLO11 sur ce jeu de données, utilisez les exemples python ou CLI fournis. Des instructions détaillées et des paramètres sont disponibles sur la page Training du modèle. Vous pouvez gérer votre processus d'entraînement à l'aide d'outils tels que Ultralytics HUB.

Exemple d'entraînement

from ultralytics import YOLO

# Load a pretrained model (recommended)
model = YOLO("yolo11n-seg.pt")

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained model via CLI
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Pourquoi utiliser l'ensemble de données de segmentation des fissures pour les projets de voitures autonomes ?

Cet ensemble de données est précieux pour les projets de voitures autonomes en raison de la diversité de ses images de routes et de murs, couvrant divers scénarios du monde réel. Cette diversité améliore la robustesse des modèles entraînés pour la détection des 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 de la route.

Quelles fonctionnalités Ultralytics YOLO offre-t-il pour la segmentation des fissures ?

Ultralytics YOLO fournit des capacités de détection d'objets, de segmentation et de classification en temps réel, ce qui le rend parfaitement adapté aux tâches de segmentation de fissures. Il gère efficacement les grands ensembles de données et les scénarios complexes. Le framework comprend des modes complets pour l'entraînement, la prédiction et l'exportation de modèles. L'approche de détection sans ancrage de YOLO peut améliorer les performances sur les formes irrégulières comme les fissures, et les performances peuvent être mesurées à l'aide de métriques standard.

Comment puis-je citer le jeu de données de segmentation de fissures ?

Si vous utilisez cet ensemble de données dans votre travail, veuillez le citer en utilisant l'entrée BibTeX fournie ci-dessus afin de donner le crédit approprié aux créateurs.



📅 Créé il y a 1 an ✏️ Mis à jour il y a 5 mois

Commentaires