Jeu de données de segmentation de fissures

Le jeu de données de segmentation de fissures est une ressource étendue conçue pour les personnes impliquées dans les études sur les transports et la sécurité publique. Il est également bénéfique pour développer des modèles de voitures autonomes ou pour explorer diverses applications de vision par ordinateur. Ce jeu de données fait partie de la collection plus large disponible sur le Datasets Hub d'Ultralytics.

Composé de 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 de fissures. Que tu fasses des recherches sur les infrastructures de transport ou que tu vises 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.

Structure 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 : 112 images avec les annotations correspondantes.
• Ensemble de validation : 200 images avec les annotations correspondantes.

Applications

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 opportunes.

Dans les environnements industriels, la détection de fissures utilisant des modèles de deep learning comme Ultralytics YOLO26 aide à garantir l'intégrité des bâtiments lors de la construction, prévient des 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 efficacement les réparations, contribuant à de meilleures perspectives d'évaluation de modèles.

YAML 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 d'accès 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

Utilisation

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. Consulte la page de documentation sur l'entraînement des modèles 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')

Exemples de données et d'annotations

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

• Cette image démontre la segmentation d'instance, présentant 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, mettant l'accent sur l'importance de données de haute qualité pour entraîner des modèles de vision par ordinateur efficaces.

Citations 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.

FAQ

Qu'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 est adapté aux tâches comme 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 de fissures.

Comment 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 les paramètres sont disponibles sur la page d'entraînement des modèles. 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)

Pourquoi utiliser le jeu de données de segmentation de fissures pour les projets de voitures autonomes ?

Ce jeu 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 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.

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

Ultralytics YOLO fournit des capacités de détection d'objets, 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.

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

Si tu utilises ce jeu de données dans tes travaux, merci de le citer en utilisant l'entrée BibTeX fournie ci-dessus afin d'attribuer le crédit approprié aux créateurs.