Roboflow Universe Crack Segmentation Dataset

Q: What is the Roboflow Crack Segmentation Dataset?

Il dataset Roboflow Crack Segmentation è una raccolta completa di 4029 immagini statiche progettate specificamente per studi sui trasporti e sulla sicurezza pubblica. È ideale per attività quali lo sviluppo di modelli di auto a guida autonoma e la manutenzione delle infrastrutture. Il set di dati comprende set di addestramento, test e convalida, che aiutano a rilevare e segmentare con precisione le crepe.

Il Roboflow Crack Segmentation Dataset si distingue come un'ampia risorsa progettata specificamente per le persone coinvolte negli studi sui trasporti e sulla sicurezza pubblica. È altrettanto utile per chi lavora allo sviluppo di modelli di auto a guida autonoma o semplicemente per chi esplora le applicazioni di computer vision a scopo ricreativo.

Composto da un totale di 4029 immagini statiche acquisite da diversi scenari di strade e muri, questo set di dati si rivela una risorsa preziosa per i compiti legati alla segmentazione delle crepe. Sia che stiate approfondendo le complessità della ricerca sui trasporti, sia che stiate cercando di migliorare l'accuratezza dei vostri modelli di auto a guida autonoma, questo set di dati offre una ricca e variegata raccolta di immagini a supporto dei vostri sforzi.

Struttura del set di dati

La suddivisione dei dati all'interno del Dataset di segmentazione delle crepe è delineata come segue:

Set di allenamento: È costituito da 3717 immagini con le relative annotazioni.
Set di test: Comprende 112 immagini con le rispettive annotazioni.
Set di convalida: Include 200 immagini con le relative annotazioni.

Applicazioni

La segmentazione delle fessure trova applicazioni pratiche nella manutenzione delle infrastrutture, favorendo l'identificazione e la valutazione dei danni strutturali. Svolge inoltre un ruolo cruciale nel migliorare la sicurezza stradale, consentendo ai sistemi automatizzati di rilevare e affrontare le fessure della pavimentazione per una riparazione tempestiva.

Set di dati YAML

Un file YAML (Yet Another Markup Language) viene utilizzato per delineare la configurazione del dataset, includendo dettagli su percorsi, classi e altre informazioni pertinenti. In particolare, per il set di dati Crack Segmentation, il file crack-seg.yaml è gestito e accessibile all'indirizzo 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

Utilizzo

Per addestrare il modello Ultralytics YOLO11n sul dataset Crack Segmentation per 100 epoch con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.

Esempio di treno

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

Dati e annotazioni di esempio

Il dataset Crack Segmentation comprende una raccolta variegata di immagini e video catturati da diverse prospettive. Di seguito sono riportate le istanze dei dati del dataset, accompagnate dalle rispettive annotazioni:

Immagine campione del set di dati

Questa immagine presenta un esempio di segmentazione di oggetti di immagine, con caselle di delimitazione annotate e maschere che delineano gli oggetti identificati. Il set di dati comprende una vasta gamma di immagini scattate in luoghi, ambienti e densità diversi, che lo rendono una risorsa completa per lo sviluppo di modelli progettati per questo compito particolare.
L'esempio sottolinea la diversità e la complessità del set di dati sulla segmentazione di Crack, sottolineando il ruolo cruciale dei dati di alta qualità nei compiti di computer vision.

Citazioni e ringraziamenti

Se si incorpora il set di dati sulla segmentazione delle crepe nelle proprie attività di ricerca o sviluppo, si prega di fare riferimento al seguente documento:

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 },
}

Desideriamo ringraziare il team di Roboflow per aver creato e mantenuto il set di dati sulla segmentazione delle fessure come risorsa preziosa per la sicurezza stradale e i progetti di ricerca. Per ulteriori informazioni sul set di dati sulla segmentazione delle crepe e sui suoi creatori, visitare la pagina del set di dati sulla segmentazione delle crepe.

FAQ

Che cos'è il dataset di segmentazione delle crepe Roboflow ?

Il datasetRoboflow Crack Segmentation è una raccolta completa di 4029 immagini statiche progettate specificamente per studi sui trasporti e sulla sicurezza pubblica. È ideale per attività quali lo sviluppo di modelli di auto a guida autonoma e la manutenzione delle infrastrutture. Il set di dati comprende set di addestramento, test e convalida, che aiutano a rilevare e segmentare con precisione le crepe.

Come si addestra un modello utilizzando il dataset Segmentazione delle crepe con Ultralytics YOLO11 ?

Per addestrare un modello Ultralytics YOLO11 sul dataset Crack Segmentation, utilizzare i seguenti frammenti di codice. Istruzioni dettagliate e ulteriori parametri sono disponibili nella pagina di addestramento del modello.

Esempio di treno

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

Perché dovrei utilizzare il dataset Crack Segmentation per il mio progetto di auto a guida autonoma?

Il Dataset per la segmentazione delle crepe è particolarmente adatto per i progetti di auto a guida autonoma grazie alla sua collezione diversificata di 4029 immagini di strade e muri, che forniscono una vasta gamma di scenari. Questa diversità migliora l'accuratezza e la robustezza dei modelli addestrati per il rilevamento delle crepe, fondamentale per mantenere la sicurezza stradale e garantire riparazioni tempestive delle infrastrutture.

Quali caratteristiche uniche offre Ultralytics YOLO per la segmentazione delle crepe?

Ultralytics YOLO offre funzionalità avanzate di rilevamento, segmentazione e classificazione degli oggetti in tempo reale che lo rendono ideale per le attività di segmentazione delle crepe. La sua capacità di gestire grandi insiemi di dati e scenari complessi garantisce un'elevata precisione ed efficienza. Ad esempio, le modalità di formazione, previsione ed esportazione del modello coprono tutte le funzionalità, dalla formazione alla distribuzione.

Come posso citare il dataset di segmentazione delle crepe Roboflow in un articolo di ricerca?

Se si incorpora il Crack Segmentation Dataset nella propria ricerca, si prega di utilizzare il seguente riferimento BibTeX: