Dataset di segmentazione delle crepe
Il dataset Crack Segmentation, disponibile su Roboflow Universe, è una risorsa estesa progettata per le persone coinvolte in studi sui trasporti e sulla sicurezza pubblica. È anche utile per sviluppare modelli di auto a guida autonoma o esplorare varie applicazioni di computer vision. Questo dataset fa parte della più ampia collezione disponibile sull'Hub dei Dataset di Ultralytics.
Guarda: Segmentazione delle crepe utilizzando Ultralytics YOLOv9.
Composto da 4029 immagini statiche acquisite da diversi scenari stradali e di pareti, questo set di dati è una risorsa preziosa per le attività di segmentazione delle crepe. Che tu stia conducendo ricerche sull'infrastruttura dei trasporti o mirando a migliorare l'accuratezza dei sistemi di guida autonoma, questo set di dati fornisce una ricca raccolta di immagini per l'addestramento di modelli di deep learning.
Struttura del set di dati
Il dataset Crack Segmentation è organizzato in tre sottoinsiemi:
- Set di addestramento: 3717 immagini con annotazioni corrispondenti.
- Set di testing: 112 immagini con annotazioni corrispondenti.
- Set di validazione: 200 immagini con annotazioni corrispondenti.
Applicazioni
La segmentazione delle crepe trova applicazioni pratiche nella manutenzione delle infrastrutture, aiutando nell'identificazione e nella valutazione dei danni strutturali in edifici, ponti e strade. Svolge inoltre un ruolo cruciale nel miglioramento della sicurezza stradale, consentendo ai sistemi automatizzati di rilevare le crepe del manto stradale per riparazioni tempestive.
In contesti industriali, il rilevamento di crepe tramite modelli di deep learning come Ultralytics YOLO11 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. L'identificazione e la classificazione automatica delle crepe consentono ai team di manutenzione di dare la priorità alle riparazioni in modo efficiente, contribuendo a una migliore comprensione della valutazione del modello.
YAML del set di dati
A YAML Il file (Yet Another Markup Language) definisce la configurazione del dataset. Include dettagli sui percorsi, le classi e altre informazioni rilevanti del dataset. Per il dataset Crack Segmentation, il crack-seg.yaml file è mantenuto in 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 (91.6 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 YOLO11n sul dataset Crack Segmentation per 100 epoche con una dimensione dell'immagine di 640, utilizza i seguenti frammenti di codice Python. Consulta la pagina di documentazione Training del modello per un elenco completo degli argomenti e delle configurazioni disponibili, come la regolazione degli iperparametri.
Esempio di addestramento
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')
# Start training from a pretrained *.pt model using the Command Line Interface
# Ensure the dataset YAML file 'crack-seg.yaml' is correctly configured and accessible
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Dati di esempio e annotazioni
Il dataset Crack Segmentation contiene una collezione diversificata di immagini catturate da varie prospettive, che mostrano diversi tipi di crepe su strade e muri. Ecco alcuni esempi:
-
Questa immagine dimostra la segmentazione di istanze, con riquadri di delimitazione annotati con maschere che delineano le crepe identificate. Il set di dati include immagini provenienti da diverse posizioni e ambienti, rendendolo una risorsa completa per lo sviluppo di modelli robusti per questa attività. Tecniche come l'aumento dei dati possono migliorare ulteriormente la diversità del set di dati. Scopri di più sulla segmentazione e il tracciamento delle istanze 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, cita la fonte in modo appropriato. Il dataset 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, fornendo una risorsa preziosa per la comunità della computer vision, in particolare per i progetti relativi alla sicurezza stradale e alla valutazione delle infrastrutture.
FAQ
Cos'è il Crack Segmentation Dataset?
Il dataset Crack Segmentation è una collezione di 4029 immagini statiche progettata 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 convalida per attività di rilevamento e segmentazione delle crepe.
Come posso addestrare un modello utilizzando il Crack Segmentation Dataset con Ultralytics YOLO11?
Per addestrare un modello Ultralytics YOLO11 su questo dataset, utilizza gli esempi Python o CLI forniti. Istruzioni dettagliate e parametri sono disponibili nella pagina Training del modello. Puoi gestire il tuo processo di addestramento utilizzando strumenti come Ultralytics HUB.
Esempio di addestramento
from ultralytics import YOLO
# Load a pretrained model (recommended)
model = YOLO("yolo11n-seg.pt")
# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained model via CLI
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Perché utilizzare il dataset di segmentazione delle crepe per i 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 muri, che coprono vari scenari del mondo reale. Questa diversità migliora la robustezza dei modelli addestrati per il rilevamento di crepe, che è fondamentale per la sicurezza stradale e la valutazione delle infrastrutture. Le annotazioni dettagliate aiutano nello sviluppo di modelli in grado di identificare accuratamente i potenziali pericoli stradali.
Quali funzionalità offre Ultralytics YOLO per la segmentazione delle crepe?
Ultralytics YOLO offre funzionalità di rilevamento degli oggetti, segmentazione e classificazione in tempo reale, rendendolo altamente adatto per le attività di segmentazione delle crepe. Gestisce in modo efficiente set di dati di grandi dimensioni e scenari complessi. Il framework include modalità complete per l'addestramento, la previsione e l'esportazione dei modelli. L'approccio di rilevamento anchor-free di YOLO può migliorare le prestazioni su forme irregolari come le crepe e le prestazioni possono essere misurate utilizzando metriche standard.
Come posso citare il dataset di segmentazione delle crepe?
Se utilizzi questo dataset nel tuo lavoro, cita la risorsa usando la voce BibTeX fornita sopra per dare il giusto riconoscimento ai creatori.
