Set di dati per la segmentazione delle crepe
Il Crack Segmentation Dataset, disponibile su Roboflow Universe, è un'ampia risorsa pensata per chi si occupa di trasporti e studi sulla sicurezza pubblica. È utile anche per sviluppare modelli di auto a guida autonoma o per esplorare varie applicazioni di computer vision. Questo set di dati fa parte della più ampia raccolta disponibile su Ultralytics Datasets Hub.
Guarda: Segmentazione delle crepe con Ultralytics YOLOv9.
Composto da 4029 immagini statiche catturate da diversi scenari di strade e muri, questo set di dati è una risorsa preziosa per le attività di segmentazione delle crepe. Che si tratti di ricerche sulle infrastrutture di trasporto o di migliorare l'accuratezza dei sistemi di guida autonoma, questo set di dati offre una ricca raccolta di immagini per l'addestramento dei modelli di deep learning.
Struttura del set di dati
Il dataset di segmentazione delle crepe è organizzato in tre sottoinsiemi:
- Set di allenamento: 3717 immagini con le relative annotazioni.
- Set di test: 112 immagini con le relative annotazioni.
- Set di validazione: 200 immagini con le relative annotazioni.
Applicazioni
La segmentazione delle fessure trova applicazioni pratiche nella manutenzione delle infrastrutture, contribuendo all'identificazione e alla valutazione dei danni strutturali di edifici, ponti e strade. Svolge inoltre un ruolo cruciale nel migliorare la sicurezza stradale, consentendo ai sistemi automatizzati di rilevare le crepe della pavimentazione per effettuare riparazioni tempestive.
In ambito industriale, l'individuazione delle crepe utilizzando modelli di deep learning come Ultralytics YOLO11 aiutano a garantire l'integrità degli edifici nelle costruzioni, a prevenire costosi fermi macchina nella produzione e a rendere più sicure ed efficaci le ispezioni stradali. L'identificazione e la classificazione automatica delle crepe consente ai team di manutenzione di stabilire le priorità di riparazione in modo efficiente, contribuendo a una migliore valutazione dei modelli.
Set di dati YAML
A YAML (Yet Another Markup Language) definisce la configurazione del dataset. Include dettagli sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Per il set di dati Crack Segmentation, il file crack-seg.yaml Il file viene mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.
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 (91.2 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
Utilizzo
Per addestrare il modello Ultralytics YOLO11n sul set di dati Crack Segmentation per 100 epoch con una dimensione dell'immagine di 640, utilizzare quanto segue Python per il modello di addestramento. Per un elenco completo degli argomenti e delle configurazioni disponibili, come la regolazione degli iperparametri, consultare la pagina di documentazione sull'addestramento del modello.
Esempio di treno
from ultralytics import YOLO
# Load a model
# Using a pretrained model like yolo11n-seg.pt is recommended for faster convergence
model = YOLO("yolo11n-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')
Dati e annotazioni di esempio
Il set di dati per la segmentazione delle crepe contiene un'ampia raccolta di immagini catturate da varie prospettive, che mostrano diversi tipi di crepe su strade e muri. Ecco alcuni esempi:
-
Questa immagine mostra la segmentazione dell'istanza, con caselle di delimitazione annotate e maschere che delineano le crepe identificate. Il set di dati comprende immagini provenienti da luoghi e ambienti diversi, il che lo rende una risorsa completa per lo sviluppo di modelli robusti per questo compito. Tecniche come l'aumento dei dati possono migliorare ulteriormente la diversità del set di dati. Per saperne di più sulla segmentazione e il tracciamento delle istanze, consultate la nostra guida.
-
L'esempio evidenzia la diversità del dataset Crack Segmentation, sottolineando l'importanza di dati di alta qualità per l'addestramento di modelli di computer vision efficaci.
Citazioni e ringraziamenti
Se si utilizza il dataset Crack Segmentation nel proprio lavoro di ricerca o sviluppo, si prega di citare la fonte in modo appropriato. Il set di dati è stato reso disponibile tramite Roboflow:
@misc{ crack-bphdr_dataset,
title = { crack Dataset },
type = { Open Source Dataset },
author = { University },
url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
journal = { Roboflow Universe },
publisher = { Roboflow },
year = { 2022 },
month = { dec },
note = { visited on 2024-01-23 },
}
Ringraziamo il team di Roboflow per aver reso disponibile il dataset Crack Segmentation, che rappresenta una risorsa preziosa per la comunità della computer vision, in particolare per i progetti legati alla sicurezza stradale e alla valutazione delle infrastrutture.
FAQ
Che cos'è il dataset di segmentazione delle crepe?
Il Crack Segmentation Dataset è una raccolta di 4029 immagini statiche progettate per studi sui trasporti e sulla sicurezza pubblica. È adatto a compiti come lo sviluppo di modelli di auto a guida autonoma e la manutenzione delle infrastrutture. Include set di addestramento, test e validazione per il rilevamento e la segmentazione delle crepe.
Come si addestra un modello utilizzando il dataset Segmentazione delle crepe con Ultralytics YOLO11 ?
Per addestrare un Ultralytics YOLO11 su questo set di dati, utilizzare gli esempi Python o CLI forniti. Istruzioni e parametri dettagliati sono disponibili nella pagina di addestramento del modello. È possibile gestire il processo di addestramento utilizzando strumenti come Ultralytics HUB.
Esempio di treno
Perché utilizzare il Crack Segmentation Dataset per i progetti di auto a guida autonoma?
Questo set di dati è prezioso per i progetti di auto a guida autonoma grazie alla varietà di immagini di strade e muri, che coprono vari scenari del mondo reale. Questa diversità migliora la robustezza dei modelli addestrati per il rilevamento delle crepe, che è fondamentale per la sicurezza stradale e la valutazione delle infrastrutture. Le annotazioni dettagliate aiutano a sviluppare modelli in grado di identificare con precisione i potenziali pericoli stradali.
Quali caratteristiche offre Ultralytics YOLO per la segmentazione dei crack?
Ultralytics YOLO offre capacità di rilevamento, segmentazione e classificazione degli oggetti in tempo reale, rendendolo particolarmente adatto alle attività di segmentazione delle fessure. Gestisce in modo efficiente grandi insiemi di dati e scenari complessi. Il framework include modalità complete per l'addestramento, la previsione e l'esportazione dei modelli. L'approccio di rilevamento senza ancoraggio di YOLO può migliorare le prestazioni su forme irregolari come le crepe e le prestazioni possono essere misurate utilizzando metriche standard.
Come si cita il Dataset di segmentazione delle crepe?
Se si utilizza questo set di dati nel proprio lavoro, si prega di citarlo utilizzando la voce BibTeX fornita sopra per dare un credito appropriato ai creatori.
