Dataset per la segmentazione di crepe

Il Crack Segmentation Dataset è un'ampia risorsa progettata per chi si occupa di studi sui trasporti e sulla sicurezza pubblica. È utile anche per sviluppare modelli di auto a guida autonoma o per esplorare varie applicazioni di computer vision. Questo dataset fa parte della più ampia collezione disponibile sull'Datasets Hub di Ultralytics.

Composto da 4029 immagini statiche catturate da diversi scenari stradali e di pareti, questo dataset è una risorsa preziosa per le attività di segmentazione di crepe. Che tu stia facendo ricerca sulle infrastrutture di trasporto o che tu voglia migliorare l'accuratezza dei sistemi di guida autonoma, questo dataset fornisce una ricca raccolta di immagini per addestrare modelli di deep learning.

Struttura del dataset

Il Crack Segmentation Dataset è organizzato in tre sottoinsiemi:

• Training set: 3717 immagini con le relative annotazioni.
• Testing set: 112 immagini con le relative annotazioni.
• Validation set: 200 immagini con le relative annotazioni.

Applicazioni

La segmentazione delle crepe trova applicazioni pratiche nella manutenzione delle infrastrutture, aiutando nell'identificazione e nella valutazione dei danni strutturali a edifici, ponti e strade. Svolge inoltre un ruolo cruciale nel migliorare la sicurezza stradale consentendo ai sistemi automatizzati di rilevare le crepe nel manto stradale per riparazioni tempestive.

In ambito industriale, il rilevamento di crepe tramite modelli di deep learning come Ultralytics YOLO26 aiuta a garantire l'integrità degli edifici nelle costruzioni, previene costosi tempi di inattività nella produzione e rende le ispezioni stradali più sicure ed efficaci. Identificare e classificare automaticamente le crepe permette ai team di manutenzione di dare priorità alle riparazioni in modo efficiente, contribuendo a migliori approfondimenti sulla valutazione dei modelli.

YAML del dataset

Un file YAML (Yet Another Markup Language) definisce la configurazione del dataset. Include dettagli sui percorsi del dataset, sulle classi e altre informazioni pertinenti. Per il dataset Crack Segmentation, il file crack-seg.yaml è mantenuto su https://github.com/ultralytics/ultralytics/blob/main/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 (91.6 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: crack-seg # dataset root dir
train: images/train # train images (relative to 'path') 3717 images
val: images/val # val images (relative to 'path') 112 images
test: images/test # 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 YOLO26n-seg sul dataset Crack Segmentation per 100 epoche con una dimensione dell'immagine di 640, usa i seguenti snippet Python o CLI. Consulta la pagina della documentazione sull'Addestramento dei modelli per un elenco completo degli argomenti disponibili e delle configurazioni come la regolazione degli iperparametri.

from ultralytics import YOLO

# Load a model
# Using a pretrained model like yolo26n-seg.pt is recommended for faster convergence
model = YOLO("yolo26n-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 ed annotazioni di esempio

Il dataset Crack Segmentation contiene una collezione diversificata di immagini catturate da varie prospettive, che mostrano diversi tipi di crepe su strade e pareti. Ecco alcuni esempi:

• Questa immagine dimostra la segmentazione di istanze, presentando bounding box annotati con maschere che delineano le crepe identificate. Il dataset include immagini da luoghi e ambienti diversi, rendendolo una risorsa completa per sviluppare modelli robusti per questo compito. Tecniche come la data augmentation possono ulteriormente migliorare la diversità del dataset. Scopri di più sulla segmentazione di istanze e sul tracking nella nostra guida.

• L'esempio evidenzia la diversità all'interno 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 utilizzi il dataset Crack Segmentation nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare la fonte in modo appropriato:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
    year = { 2022 },
    month = { dec },
    note = { visited on 2024-01-23 },
}

Ringraziamo il team di Roboflow per aver reso disponibile il dataset Crack Segmentation, fornendo una risorsa preziosa per la comunità di computer vision, in particolare per i progetti legati alla sicurezza stradale e alla valutazione delle infrastrutture.

FAQ

Cos'è il Crack Segmentation Dataset?

Il Crack Segmentation Dataset è una collezione di 4029 immagini statiche progettate per studi sui trasporti e sulla sicurezza pubblica. È adatto per attività come lo sviluppo di modelli di auto a guida autonoma e la manutenzione delle infrastrutture. Include set di addestramento, test e validazione per attività di rilevamento e segmentazione di crepe.

Come addestro un modello utilizzando il Crack Segmentation Dataset con Ultralytics YOLO26?

Per addestrare un modello Ultralytics YOLO26 su questo dataset, usa gli esempi Python o CLI forniti. Istruzioni dettagliate e parametri sono disponibili nella pagina di Addestramento del modello. Puoi gestire il tuo processo di addestramento utilizzando strumenti come Ultralytics Platform.

from ultralytics import YOLO

# Load a pretrained model (recommended)
model = YOLO("yolo26n-seg.pt")

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

Perché utilizzare il Crack Segmentation Dataset per progetti di auto a guida autonoma?

Questo dataset è prezioso per i progetti di auto a guida autonoma grazie alle sue diverse immagini di strade e pareti, che coprono vari scenari reali. Questa diversità migliora la robustezza dei modelli addestrati per il rilevamento di crepe, il che è cruciale per la sicurezza stradale e la valutazione delle infrastrutture. Le annotazioni dettagliate aiutano a sviluppare modelli in grado di identificare accuratamente potenziali pericoli stradali.

Quali funzionalità offre Ultralytics YOLO per la segmentazione di crepe?

Ultralytics YOLO offre funzionalità di rilevamento oggetti, segmentazione e classificazione in tempo reale, rendendolo estremamente adatto alle attività di segmentazione di crepe. Gestisce in modo efficiente grandi dataset e scenari complessi. Il framework include modalità complete per l'Addestramento, la Predizione e l'Esportazione dei modelli. L'approccio di rilevamento senza anchor di YOLO può migliorare le prestazioni su forme irregolari come le crepe, e le prestazioni possono essere misurate utilizzando metriche standard.

Come cito il Crack Segmentation Dataset?

Se utilizzi questo dataset nel tuo lavoro, ti preghiamo di citarlo utilizzando la voce BibTeX fornita sopra per dare il giusto credito ai creatori.