Ensemble de données sur la segmentation des fissures
L'ensemble de données sur la segmentation des fissures, disponible sur Roboflow Universe, est une ressource étendue conçue pour les personnes impliquées dans les études sur les transports et la sécurité publique. Il est également utile pour développer des modèles de voitures autonomes ou explorer diverses applications de vision par ordinateur. Ce jeu de données fait partie d'une collection plus large disponible sur leHub de jeux de données 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, ce jeu de données est un atout précieux pour les tâches de segmentation des fissures. Que vous fassiez des recherches sur les infrastructures de transport ou que vous cherchiez à améliorer la précision des systèmes de conduite autonome, ce jeu de données fournit une riche collection d'images pour l'entraînement des modèles d'apprentissage profond.
Structure de l'ensemble de données
L'ensemble de données sur la segmentation des fissures est organisé en trois sous-ensembles :
- Ensemble d'entraînement: 3717 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, en 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 de la chaussée afin de les réparer à temps.
Dans les milieux industriels, la détection des fissures à l'aide de modèles d'apprentissage profond tels que Ultralytics YOLO11 permet de garantir l'intégrité des bâtiments dans la construction, d'éviter des temps d'arrêt coûteux dans la fabrication et de rendre les inspections routières plus sûres et plus efficaces. L'identification et la classification automatiques des fissures permettent aux équipes de maintenance de hiérarchiser efficacement les réparations, contribuant ainsi à de meilleures perspectives d'évaluation des modèles.
Jeu de données YAML
A YAML (Yet Another Markup Language) définit la configuration du jeu de données. Il contient des détails sur les chemins d'accès au jeu de données, les classes et d'autres informations pertinentes. Pour le jeu de données Crack Segmentation, le fichier crack-seg.yaml est conservé à l'adresse suivante 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 (91.2 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
Utilisation
Pour entraîner le modèle Ultralytics YOLO11n sur le jeu de données Crack Segmentation pour 100 époques avec une taille d'image de 640, utilisez ce qui suit Python suivants. Reportez-vous à la page de documentation sur l'entraînement du modèle pour obtenir une liste complète des arguments disponibles et des configurations telles que le réglage des hyperparamètres.
Exemple de train
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')
Exemples de données et d'annotations
L'ensemble de données sur la segmentation des fissures contient une collection variée d'images capturées sous différentes perspectives, présentant différents types de fissures sur les routes et les murs. En voici quelques exemples :
-
Cette image illustre la segmentation d'instances, avec des boîtes de délimitation annotées et des masques soulignant les fissures identifiées. L'ensemble de données comprend des images provenant de différents lieux et environnements, ce qui en fait une ressource complète pour le développement de modèles robustes pour cette tâche. Des techniques telles que l'augmentation des données permettent d'améliorer encore la diversité des ensembles de données. Pour en savoir plus sur la segmentation et le suivi des instances, consultez notre guide.
-
Cet exemple met en évidence la diversité de l'ensemble de données sur la segmentation des fissures et souligne l'importance de disposer de données de haute qualité pour l'apprentissage de modèles de vision artificielle efficaces.
Citations et remerciements
Si vous utilisez l'ensemble de données sur la segmentation des fissures dans vos travaux de recherche ou de développement, veuillez citer la source de manière appropriée. L'ensemble de données a été mis à disposition par l'intermédiaire de 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 sur la segmentation des fissures, qui constitue 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 l'ensemble de données sur la segmentation des fissures ?
Le jeu de données sur la segmentation des fissures est une collection de 4029 images statiques conçues pour les études sur les transports et la sécurité publique. Il convient à des tâches telles que le développement de modèles de voitures auto-conduites 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 à l'aide de l'ensemble de données sur la segmentation des fissures à l'adresse Ultralytics YOLO11 ?
Pour former un Ultralytics YOLO11 sur ce jeu de données, utilisez les exemples Python ou CLI fournis. Des instructions et des paramètres détaillés sont disponibles sur la page d'entraînement du modèle. Vous pouvez gérer votre processus de formation en utilisant des outils comme Ultralytics HUB.
Exemple de train
Pourquoi utiliser le Crack Segmentation Dataset pour les projets de voitures autonomes ?
Cet ensemble de données est précieux pour les projets de voitures autonomes en raison de la diversité des images de routes et de murs qu'il contient et qui couvrent différents scénarios du monde réel. Cette diversité améliore la robustesse des modèles formés 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 risques routiers potentiels.
Quelles sont les fonctionnalités offertes par Ultralytics YOLO pour la segmentation des fissures ?
Ultralytics YOLO offre des capacités de détection, de segmentation et de classification d'objets en temps réel, ce qui le rend particulièrement adapté aux tâches de segmentation de fissures. Il gère efficacement les grands ensembles de données et les scénarios complexes. Le cadre 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 des formes irrégulières comme les fissures, et les performances peuvent être mesurées à l'aide de métriques standard.
Comment citer l'ensemble de données sur la segmentation des 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.
