Roboflow Universe Crack Segmentation Dataset (jeu de données sur la segmentation des fissures)

Q: What is the Roboflow Crack Segmentation Dataset?

Le jeu de données Roboflow Crack Segmentation Dataset est une collection complète de 4029 images statiques conçues spécifiquement pour les études sur les transports et la sécurité publique. Il est idéal pour des tâches telles que le développement de modèles de voitures auto-conduites et la maintenance des infrastructures. L'ensemble de données comprend des ensembles d'entraînement, de test et de validation, ce qui permet une détection et une segmentation précises des fissures.

Q: How do I cite the Roboflow Crack Segmentation Dataset in my research paper?

Si vous incorporez l'ensemble de données sur la segmentation des fissures dans votre recherche, veuillez utiliser la référence BibTeX suivante : Ce format de citation permet d'accréditer correctement les créateurs du jeu de données et de reconnaître son utilisation dans votre recherche.

L'ensemble de données sur la segmentation des fissures Roboflow Crack Segmentation Dataset se distingue comme une ressource étendue conçue spécifiquement pour les personnes impliquées dans les études sur les transports et la sécurité publique. Il est également utile à ceux qui travaillent au développement de modèles de voitures autonomes ou qui explorent simplement les applications de vision par ordinateur à des fins récréatives.

Comprenant un total de 4029 images statiques capturées à partir de divers scénarios de routes et de murs, cet ensemble de données se révèle être un atout précieux pour les tâches liées à la segmentation des fissures. Que vous vous intéressiez aux complexités de la recherche sur les transports ou que vous cherchiez à améliorer la précision de vos modèles de voitures autonomes, cet ensemble de données fournit une collection riche et variée d'images pour soutenir vos efforts.

Structure de l'ensemble de données

La répartition des données dans l'ensemble de données sur la segmentation des fissures est la suivante :

Ensemble d'entraînement: Il s'agit de 3717 images avec les annotations correspondantes.
Ensemble de test: Comprend 112 images avec leurs annotations respectives.
Ensemble de validation: Comprend 200 images avec leurs 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. Elle joue également un rôle crucial dans l'amélioration de la sécurité routière en permettant aux systèmes automatisés de détecter et de traiter les fissures de la chaussée pour les réparer à temps.

Jeu de données YAML

Un fichier YAML (Yet Another Markup Language) est utilisé pour décrire la configuration de l'ensemble de données, comprenant des détails sur les chemins, les classes et d'autres informations pertinentes. Plus précisément, pour l'ensemble de données "Segmentation des fissures", le fichier YAML est le suivant crack-seg.yaml est géré et accessible à l'adresse suivante https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

ultralytics/cfg/datasets/crack-seg.yaml

# Ultralytics YOLO 🚀, 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
# ├── 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 l'ensemble de données Crack Segmentation pour 100 époques avec une taille d'image de 640, vous pouvez utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, reportez-vous à la page Formation du modèle.

Exemple de train

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Exemples de données et d'annotations

L'ensemble de données sur la segmentation des fissures comprend une collection variée d'images et de vidéos capturées à partir de plusieurs points de vue. Vous trouverez ci-dessous des exemples de données issues de l'ensemble de données, accompagnées de leurs annotations respectives :

Image de l'échantillon de l'ensemble de données

Cette image présente un exemple de segmentation d'objets dans une image, avec des boîtes de délimitation annotées et des masques délimitant les objets identifiés. L'ensemble de données comprend un large éventail d'images prises dans des lieux, des environnements et des densités différents, ce qui en fait une ressource complète pour le développement de modèles conçus pour cette tâche particulière.
Cet exemple met en évidence la diversité et la complexité de l'ensemble de données de segmentation de Crack et souligne le rôle crucial des données de haute qualité dans les tâches de vision par ordinateur.

Citations et remerciements

Si vous intégrez l'ensemble de données sur la segmentation des fissures dans vos travaux de recherche ou de développement, veuillez faire référence au document suivant :

BibTeX

@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 },
}

Nous tenons à remercier l'équipe de Roboflow pour la création et la maintenance du jeu de données sur la segmentation des fissures, qui constitue une ressource précieuse pour la sécurité routière et les projets de recherche. Pour plus d'informations sur l'ensemble de données de segmentation des fissures et ses créateurs, visitez la page de l'ensemble de données de segmentation des fissures.

FAQ

Qu'est-ce que l'ensemble de données de segmentation des fissures Roboflow ?

Le jeu de donnéesRoboflow Crack Segmentation Dataset est une collection complète de 4029 images statiques conçues spécifiquement pour les études sur les transports et la sécurité publique. Il est idéal pour des tâches telles que le développement de modèles de voitures auto-conduites et la maintenance des infrastructures. L'ensemble de données comprend des ensembles d'entraînement, de test et de validation, ce qui permet une détection et une segmentation précises 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 entraîner un modèle Ultralytics YOLO11 sur l'ensemble de données Crack Segmentation, utilisez les extraits de code suivants. Des instructions détaillées et d'autres paramètres peuvent être trouvés sur la page d'entraînement du modèle.

Exemple de train

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Pourquoi devrais-je utiliser le Crack Segmentation Dataset pour mon projet de voiture autonome ?

L'ensemble de données sur la segmentation des fissures est particulièrement adapté aux projets de voitures autonomes en raison de sa collection variée de 4029 images de routes et de murs, qui offrent une gamme variée de scénarios. Cette diversité améliore la précision et la robustesse des modèles entraînés pour la détection des fissures, ce qui est essentiel pour maintenir la sécurité routière et assurer des réparations d'infrastructure en temps voulu.

Quelles sont les caractéristiques uniques de Ultralytics YOLO pour la segmentation des fissures ?

Ultralytics YOLO offre des fonctionnalités avancées de détection, de segmentation et de classification d'objets en temps réel, ce qui le rend idéal pour les tâches de segmentation de fissures. Sa capacité à traiter de grands ensembles de données et des scénarios complexes garantit une précision et une efficacité élevées. Par exemple, les modes de formation, de prédiction et d'exportation du modèle couvrent des fonctionnalités complètes, de la formation au déploiement.

Comment citer l'ensemble de données Roboflow Crack Segmentation Dataset dans mon article de recherche ?

Si vous intégrez l'ensemble de données sur la segmentation des fissures dans votre recherche, veuillez utiliser la référence BibTeX suivante :