Skip to content

Roboflow Ensemble de données sur la segmentation des fissures dans l'univers

L'ensemble de données sur la segmentation des fissures Roboflow Crack Segmentation Dataset se démarque en tant que ressource étendue conçue spécifiquement pour les personnes impliquées dans les études sur les transports et la sécurité publique. Il est tout aussi bénéfique pour ceux qui travaillent au développement de modèles de voitures autopilotées 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 apparaît comme un atout précieux pour les tâches liées à la segmentation des fissures. Que tu plonges dans les méandres de la recherche sur les transports ou que tu cherches à améliorer la précision de tes modèles de voitures auto-conduites, ce jeu de données fournit une collection riche et variée d'images pour soutenir tes efforts.

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

Pour entraîner le modèle Ultralytics YOLOv8n sur le jeu de données Crack Segmentation pour 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour obtenir une liste complète des arguments disponibles, reporte-toi à la page Formation du modèle.

Exemple de train

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-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 multiples perspectives. Tu trouveras ci-dessous des instances de données issues de l'ensemble de données, accompagnées de leurs annotations respectives :

Image de l'échantillon du jeu de données

  • 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.

Comment entraîner un modèle en utilisant l'ensemble de données sur la segmentation des fissures avec Ultralytics YOLOv8 ?

Pour entraîner un modèle Ultralytics YOLOv8 sur l'ensemble de données Crack Segmentation, utilise les extraits de code suivants. Des instructions détaillées et d'autres paramètres sont disponibles sur la page Formation du modèle.

Exemple de train

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

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 offre des capacités 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 grande précision et une grande efficacité. 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 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.



Créé le 2024-01-25, Mis à jour le 2024-07-04
Auteurs : glenn-jocher (4), RizwanMunawar (1)

Commentaires