Roboflow यूनिवर्स क्रैक सेगमेंटेशन डेटासेट

वही Roboflowक्रैक सेगमेंटेशन डेटासेट विशेष रूप से परिवहन और सार्वजनिक सुरक्षा अध्ययन में शामिल व्यक्तियों के लिए डिज़ाइन किए गए एक व्यापक संसाधन के रूप में खड़ा है। यह स्व-ड्राइविंग कार मॉडल के विकास पर काम करने वालों के लिए समान रूप से फायदेमंद है या मनोरंजक उद्देश्यों के लिए कंप्यूटर दृष्टि अनुप्रयोगों की खोज कर रहा है।

विविध सड़क और दीवार परिदृश्यों से कैप्चर की गई कुल 4029 स्थिर छवियों का मिश्रण, यह डेटासेट दरार विभाजन से संबंधित कार्यों के लिए एक मूल्यवान संपत्ति के रूप में उभरता है। चाहे आप परिवहन अनुसंधान की पेचीदगियों में तल्लीन हो रहे हों या अपने सेल्फ-ड्राइविंग कार मॉडल की सटीकता बढ़ाने की कोशिश कर रहे हों, यह डेटासेट आपके प्रयासों का समर्थन करने के लिए छवियों का एक समृद्ध और विविध संग्रह प्रदान करता है।

डेटासेट संरचना

क्रैक सेगमेंटेशन डेटासेट के भीतर डेटा का विभाजन निम्नानुसार उल्लिखित है:

• प्रशिक्षण सेट: संबंधित एनोटेशन के साथ 3717 छवियों से मिलकर बनता है।
• परीक्षण सेट: उनके संबंधित एनोटेशन के साथ 112 छवियां शामिल हैं।
• पुष्टि सेट: इसमें 200 इमेज शामिल हैं, जिनमें उनसे जुड़े एनोटेशन हैं.

अनुप्रयोगों

क्रैक सेगमेंटेशन बुनियादी ढांचे के रखरखाव में व्यावहारिक अनुप्रयोग पाता है, संरचनात्मक क्षति की पहचान और मूल्यांकन में सहायता करता है। यह समय पर मरम्मत के लिए फुटपाथ दरारों का पता लगाने और उन्हें संबोधित करने के लिए स्वचालित प्रणालियों को सक्षम करके सड़क सुरक्षा बढ़ाने में भी महत्वपूर्ण भूमिका निभाता है।

डेटासेट YAML

डेटासेट के कॉन्फ़िगरेशन को रेखांकित करने के लिए एक YAML (अभी तक एक और मार्कअप भाषा) फ़ाइल का उपयोग किया जाता है, जिसमें पथ, कक्षाएं और अन्य प्रासंगिक जानकारी के बारे में विवरण शामिल हैं। विशेष रूप से, क्रैक सेगमेंटेशन डेटासेट के लिए, crack-seg.yaml फ़ाइल प्रबंधित और सुलभ है https://github.com/ultralytics/ultralytics/blob/main/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

उपयोग

प्रशिक्षित करने के लिए Ultralytics YOLOv8n 640 के छवि आकार के साथ 100 युगों के लिए क्रैक सेगमेंटेशन डेटासेट पर मॉडल, आप निम्न कोड स्निपेट का उपयोग कर सकते हैं। उपलब्ध तर्कों की व्यापक सूची के लिए, मॉडल प्रशिक्षण पृष्ठ देखें।

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

नमूना डेटा और एनोटेशन

क्रैक सेगमेंटेशन डेटासेट में कई दृष्टिकोणों से कैप्चर की गई छवियों और वीडियो का एक विविध संग्रह शामिल है। नीचे डेटासेट से डेटा के उदाहरण दिए गए हैं, उनके संबंधित एनोटेशन के साथ:

• यह छवि छवि ऑब्जेक्ट विभाजन का एक उदाहरण प्रस्तुत करती है, जिसमें पहचाने गए वस्तुओं को रेखांकित करने वाले मुखौटे के साथ एनोटेट बाउंडिंग बॉक्स हैं। डेटासेट में विभिन्न स्थानों, वातावरणों और घनत्वों में ली गई छवियों की एक विविध सरणी शामिल है, जो इसे इस विशेष कार्य के लिए डिज़ाइन किए गए मॉडल विकसित करने के लिए एक व्यापक संसाधन बनाती है।

• उदाहरण क्रैक सेगमेंटेशन डेटासेट में पाई जाने वाली विविधता और जटिलता को रेखांकित करता है, जो कंप्यूटर दृष्टि कार्यों में उच्च गुणवत्ता वाले डेटा की महत्वपूर्ण भूमिका पर जोर देता है।

प्रशंसा पत्र और पावती

यदि आप अपने शोध या विकास प्रयासों में दरार विभाजन डेटासेट को शामिल करते हैं, तो कृपया निम्नलिखित पेपर का संदर्भ लें:

@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 },
}

हम स्वीकार करना चाहेंगे Roboflow सड़क सुरक्षा और अनुसंधान परियोजनाओं के लिए एक मूल्यवान संसाधन के रूप में क्रैक सेगमेंटेशन डेटासेट बनाने और बनाए रखने के लिए टीम। क्रैक सेगमेंटेशन डेटासेट और इसके रचनाकारों के बारे में अधिक जानकारी के लिए, क्रैक सेगमेंटेशन डेटासेट पेज पर जाएं।

अक्सर पूछे जाने वाले प्रश्न

क्या है Roboflow क्रैक सेगमेंटेशन डेटासेट?

वही Roboflow क्रैक सेगमेंटेशन डेटासेट 4029 स्थिर छवियों का एक व्यापक संग्रह है जिसे विशेष रूप से परिवहन और सार्वजनिक सुरक्षा अध्ययनों के लिए डिज़ाइन किया गया है। यह सेल्फ-ड्राइविंग कार मॉडल डेवलपमेंट और इंफ्रास्ट्रक्चर मेंटेनेंस जैसे कार्यों के लिए आदर्श है। डेटासेट में प्रशिक्षण, परीक्षण और सत्यापन सेट शामिल हैं, जो सटीक दरार का पता लगाने और विभाजन में सहायता करते हैं।

मैं क्रैक सेगमेंटेशन डेटासेट का उपयोग करके एक मॉडल को कैसे प्रशिक्षित करूं Ultralytics YOLOv8?

एक को प्रशिक्षित करने के लिए Ultralytics YOLOv8 क्रैक सेगमेंटेशन डेटासेट पर मॉडल, निम्न कोड स्निपेट का उपयोग करें। विस्तृत निर्देश और आगे के पैरामीटर मॉडल प्रशिक्षण पृष्ठ पर पाए जा सकते हैं।

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

मुझे अपने सेल्फ-ड्राइविंग कार प्रोजेक्ट के लिए क्रैक सेगमेंटेशन डेटासेट का उपयोग क्यों करना चाहिए?

क्रैक सेगमेंटेशन डेटासेट 4029 सड़क और दीवार छवियों के विविध संग्रह के कारण सेल्फ-ड्राइविंग कार परियोजनाओं के लिए असाधारण रूप से अनुकूल है, जो विभिन्न प्रकार के परिदृश्य प्रदान करते हैं। यह विविधता दरार का पता लगाने के लिए प्रशिक्षित मॉडलों की सटीकता और मजबूती को बढ़ाती है, जो सड़क सुरक्षा बनाए रखने और समय पर बुनियादी ढांचे की मरम्मत सुनिश्चित करने के लिए महत्वपूर्ण है।

क्या अनूठी विशेषताएं करती हैं Ultralytics YOLO दरार विभाजन के लिए प्रस्ताव?

Ultralytics YOLO उन्नत वास्तविक समय वस्तु का पता लगाने, विभाजन, और वर्गीकरण क्षमताओं है कि यह दरार विभाजन कार्यों के लिए आदर्श बनाने प्रदान करता है. बड़े डेटासेट और जटिल परिदृश्यों को संभालने की इसकी क्षमता उच्च सटीकता और दक्षता सुनिश्चित करती है। उदाहरण के लिए, मॉडल प्रशिक्षण, भविष्यवाणी और निर्यात मोड प्रशिक्षण से तैनाती तक व्यापक कार्यक्षमताओं को कवर करते हैं।

मैं कैसे उद्धृत करूं Roboflow मेरे शोध पत्र में क्रैक सेगमेंटेशन डेटासेट?

यदि आप अपने शोध में क्रैक सेगमेंटेशन डेटासेट को शामिल करते हैं, तो कृपया निम्नलिखित BibTeX संदर्भ का उपयोग करें:

@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 },
}

यह उद्धरण प्रारूप डेटासेट के रचनाकारों को उचित मान्यता सुनिश्चित करता है और आपके शोध में इसके उपयोग को स्वीकार करता है।

टिप्पणियाँ