Link to this sectionDataset di segmentazione delle crepe#

Il Dataset di segmentazione delle crepe è una risorsa estesa 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 collezione più ampia disponibile nell'Hub dei dataset di Ultralytics.

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

Link to this sectionStruttura del dataset#

Il Dataset di segmentazione delle crepe è organizzato in tre subset:

• Set di addestramento: 3717 immagini con le relative annotazioni.
• Set di test: 200 immagini con le relative annotazioni.
• Set di validazione: 112 immagini con le relative annotazioni.

Link to this sectionApplicazioni#

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 migliorare la sicurezza stradale consentendo ai sistemi automatizzati di rilevare crepe nel manto stradale per riparazioni tempestive.

In ambito industriale, il rilevamento delle crepe utilizzando 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 consente ai team di manutenzione di dare priorità alle riparazioni in modo efficiente, contribuendo a migliori approfondimenti sulla valutazione dei modelli.

Link to this sectionDataset YAML#

Un file YAML (Yet Another Markup Language) definisce la configurazione del dataset. Include dettagli sui percorsi del dataset, le classi e altre informazioni rilevanti. Per il dataset di segmentazione delle crepe, 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

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#

Il Dataset di segmentazione delle crepe contiene una diversa collezione di immagini catturate da varie prospettive, mostrando diversi tipi di crepe su strade e pareti. Ecco alcuni esempi:

• Questa immagine dimostra la segmentazione delle istanze, presentando bounding box annotati con maschere che delineano le crepe identificate. Il dataset include immagini da diverse posizioni e ambienti, rendendolo una risorsa completa per lo sviluppo di modelli robusti per questo compito. Tecniche come l'aumento dei dati possono ulteriormente migliorare la diversità del dataset. Scopri di più sulla segmentazione delle istanze e sul tracciamento nella nostra guida.

• L'esempio evidenzia la diversità all'interno del Dataset di segmentazione delle crepe, sottolineando l'importanza di dati di alta qualità per l'addestramento di modelli di computer vision efficaci.

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 di segmentazione delle crepe, fornendo una risorsa preziosa per la comunità di computer vision, in particolare per progetti legati alla sicurezza stradale e alla valutazione delle infrastrutture.

Link to this sectionFAQ#

Link to this sectionCos'è il Dataset di segmentazione delle crepe?#

Il Dataset di segmentazione delle crepe è una collezione di 4029 immagini statiche progettata 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 compiti di rilevamento e segmentazione delle crepe.

Link to this sectionCome addestro un modello usando il Dataset di segmentazione delle crepe 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 usando strumenti come la Piattaforma Ultralytics.

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)

Link to this sectionPerché usare il Dataset di segmentazione delle crepe per progetti di auto a guida autonoma?#

Questo dataset è prezioso per progetti di auto a guida autonoma grazie alle sue diverse immagini di strade e pareti, che coprono vari scenari del mondo reale. Questa diversità migliora la robustezza dei modelli addestrati per il rilevamento delle 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.

Link to this sectionQuali funzionalità offre Ultralytics YOLO per la segmentazione delle crepe?#

Ultralytics YOLO fornisce capacità di rilevamento oggetti, segmentazione e classificazione in tempo reale, rendendolo altamente adatto per compiti di segmentazione delle 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 usando metriche standard.

Link to this sectionCome cito il Dataset di segmentazione delle crepe?#

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