Roboflow Ensemble de données sur la segmentation des fissures dans l'univers
The Roboflow Crack Segmentation Dataset stands out as an extensive resource designed specifically for individuals involved in transportation and public safety studies. It is equally beneficial for those working on the development of self-driving car models or simply exploring computer vision applications for recreational purposes.
Comprising a total of 4029 static images captured from diverse road and wall scenarios, this dataset emerges as a valuable asset for tasks related to crack segmentation. Whether you are delving into the intricacies of transportation research or seeking to enhance the accuracy of your self-driving car models, this dataset provides a rich and varied collection of images to support your endeavors.
Structure de l'ensemble de données
La répartition des données au sein de l'ensemble de données sur la segmentation des fissures est décrite comme suit :
- Ensemble de formation: Consiste en 3717 images avec les annotations correspondantes.
- Ensemble de test: Comprend 112 images avec leurs annotations respectives.
- Jeu de validation: Comprend 200 images avec leurs annotations correspondantes.
Applications
La segmentation des fissures trouve des applications pratiques dans l'entretien 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 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
To train Ultralytics YOLO11n model on the Crack Segmentation dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.
Exemple de train
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 multiples perspectives. Tu trouveras ci-dessous des instances de données issues de l'ensemble de données, accompagnées de leurs annotations respectives :
Cette image présente un exemple de segmentation d'objet d'image, avec des boîtes de délimitation annotées et des masques délimitant les objets identifiés. L'ensemble de données comprend une gamme variée d'images prises dans des lieux, des environnements et des densités différents, ce qui en fait une ressource complète pour développer des modèles conçus pour cette tâche particulière.
Cet exemple souligne la diversité et la complexité que l'on trouve dans l'ensemble de données de segmentation Crack, et met l'accent sur le rôle crucial des données de haute qualité dans les tâches de vision par ordinateur.
Citations et remerciements
Si tu incorpores l'ensemble de données sur la segmentation des fissures dans tes travaux de recherche ou de développement, merci de faire référence à l'article suivant :
@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 le jeu de données de segmentation des fissures et ses créateurs, visite la page du jeu de données de segmentation des fissures.
FAQ
Qu'est-ce que l'ensemble de données de segmentation des fissures Roboflow ?
Le jeu de données de segmentation des fissuresRoboflow 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 facilite la détection et la segmentation précises des fissures.
How do I train a model using the Crack Segmentation Dataset with Ultralytics YOLO11?
To train an Ultralytics YOLO11 model on the Crack Segmentation dataset, use the following code snippets. Detailed instructions and further parameters can be found on the model Training page.
Exemple de train
Pourquoi devrais-je utiliser l'ensemble de données sur la segmentation des fêlures pour mon projet de voiture auto-conduite ?
L'ensemble de données sur la segmentation des fissures est exceptionnellement adapté aux projets de voitures autonomes en raison de sa collection diversifiée 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 crucial pour maintenir la sécurité routière et assurer la réparation des infrastructures en temps voulu.
Quelles sont les caractéristiques uniques de Ultralytics YOLO pour la segmentation des fissures ?
Ultralytics YOLO offers advanced real-time object detection, segmentation, and classification capabilities that make it ideal for crack segmentation tasks. Its ability to handle large datasets and complex scenarios ensures high accuracy and efficiency. For example, the model Training, Predict, and Export modes cover comprehensive functionalities from training to deployment.
Comment citer l'ensemble de données sur la segmentation des fissures Roboflow dans mon article de recherche ?
Si tu incorpores l'ensemble de données sur la segmentation des fissures dans ta recherche, utilise la référence BibTeX suivante :
@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 },
}
Ce format de citation permet d'accréditer correctement les créateurs de l'ensemble de données et de reconnaître son utilisation dans ta recherche.