Link to this sectionDataset di segmentazione delle crepe#

Il Crack Segmentation Dataset di Ultralytics offre 4.029 immagini annotate di crepe su strade e muri per l'addestramento di modelli di instance segmentation su un'unica classe crack. Acquisito in diversi scenari stradali e strutturali, si abbina perfettamente a Ultralytics YOLO per casi d'uso che spaziano dalla sicurezza dei trasporti e dalla percezione per self-driving car alla manutenzione delle infrastrutture e all'ispezione strutturale tramite computer vision.

Link to this sectionStruttura del dataset#

Il Crack Segmentation Dataset suddivide le sue 4.029 immagini come segue:

• Training set: 3.717 immagini utilizzate per l'addestramento del modello di deep learning.
• Validation set: 200 immagini utilizzate durante l'addestramento per ottimizzare gli iperparametri e prevenire l'overfitting.
• Testing set: 112 immagini tenute da parte per valutare il modello dopo l'addestramento.
• Classi: un'unica classe crack che copre ogni crepa annotata su strade e muri.
• Dimensioni del download: ~91,6 MB.

Link to this sectionApplicazioni#

La segmentazione delle crepe supporta la manutenzione delle infrastrutture identificando e valutando i danni strutturali in edifici, ponti e strade. Migliora inoltre la sicurezza stradale consentendo ai sistemi automatizzati di rilevare crepe nel manto stradale per interventi di riparazione tempestivi.

In ambito industriale, il rilevamento delle crepe con modelli come Ultralytics YOLO26 aiuta a verificare l'integrità degli edifici durante la costruzione, previene costosi tempi di inattività nel settore manifatturiero e rende più sicure le ispezioni stradali. La classificazione automatica delle crepe consente ai team di manutenzione di dare priorità alle riparazioni più urgenti.

L'intero Crack Segmentation Dataset può anche essere visualizzato e gestito su Ultralytics Platform.

Link to this sectionDataset YAML#

Un file YAML definisce la configurazione del dataset. Include dettagli sui percorsi del dataset, le classi e altre informazioni rilevanti. 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') 200 images
test: images/test # test images (relative to 'path') 112 images

# Classes
names:
  0: crack

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/crack-seg.zip

Link to this sectionUtilizzo#

Per addestrare il modello Ultralytics YOLO26n-seg sul Dataset di segmentazione delle crepe per 100 epoche con una dimensione immagine di 640, usa i seguenti snippet Python o CLI. Fai riferimento alla pagina di 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')

Link to this sectionDati di esempio e annotazioni#

Di seguito un esempio tratto dal Crack Segmentation Dataset con le relative maschere di instance segmentation sovrapposte, che delineano le crepe identificate su superfici stradali e muri:

Il dataset copre località, superfici e condizioni di illuminazione variegate, in modo che i modelli addestrati su di esso possano gestire l'ampia gamma di scenari reali necessari per una buona generalizzazione. La data augmentation può estendere ulteriormente tale varietà; consulta la nostra guida alla segmentazione delle istanze e al tracking per i flussi di lavoro correlati.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il Dataset di segmentazione delle crepe 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 della computer vision, in particolare per i progetti legati alla sicurezza stradale e alla valutazione delle infrastrutture. Per ulteriori dataset, visita la raccolta di dataset Ultralytics.

Link to this sectionFAQ#

Link to this sectionChe cos'è il Crack Segmentation Dataset e come viene utilizzato in Ultralytics YOLO26?#

Il Crack Segmentation Dataset è una raccolta di 4.029 immagini annotate di crepe su strade e muri per l'addestramento e la valutazione di modelli di instance segmentation su un'unica classe crack. È progettato per applicazioni di sicurezza nei trasporti e infrastrutturali come l'ispezione strutturale e la valutazione del manto stradale, e viene utilizzato direttamente con Ultralytics YOLO26 tramite il file di configurazione crack-seg.yaml.

Link to this sectionQuante immagini e classi contiene il Crack Segmentation Dataset?#

Il dataset conta un totale di 4.029 immagini (3.717 per il training, 200 per la validazione e 112 per il testing), tutte annotate per un'unica classe crack. L'archivio completo viene scaricato automaticamente come file .zip di circa 91,6 MB al primo utilizzo.

Link to this sectionCome posso addestrare un modello Ultralytics YOLO26 sul Crack Segmentation Dataset?#

Carica un modello di segmentazione preaddestrato (ad esempio, yolo26n-seg.pt) e addestralo con la configurazione crack-seg.yaml utilizzando i frammenti di codice Python o CLI nella sezione Utilizzo qui sopra. Consulta la guida all'addestramento per l'elenco completo degli argomenti disponibili.

Link to this sectionPerché utilizzare il Crack Segmentation Dataset per progetti di self-driving car e infrastrutture?#

Le sue immagini variegate di crepe su strade e muri coprono molti scenari del mondo reale, migliorando la robustezza dei modelli addestrati per il rilevamento delle crepe. Una segmentazione accurata supporta i sistemi di sicurezza stradale e di valutazione delle infrastrutture che devono identificare i potenziali pericoli in modo affidabile; consulta la sezione Applicazioni qui sopra e i nostri consigli per l'addestramento del modello per le migliori pratiche.

Link to this sectionDove posso trovare il file di configurazione del dataset per Crack Segmentation?#

Il file crack-seg.yaml, che definisce i percorsi del dataset e l'unica classe crack, si trova nel repository GitHub di Ultralytics: crack-seg.yaml.