Vai al contenuto

Roboflow Universe Crack Segmentation Dataset

Il set di dati sulla segmentazione delle crepe Roboflow Crack Segmentation Dataset è un'ampia risorsa progettata appositamente per chi si occupa di trasporti e di studi 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 catturate 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 tu stia approfondendo le complessità della ricerca sui trasporti, sia che tu stia cercando di migliorare l'accuratezza dei tuoi modelli di auto a guida autonoma, questo set di dati offre una ricca e variegata raccolta di immagini a supporto dei tuoi sforzi.

Struttura del set di dati

La divisione dei dati all'interno del Crack Segmentation Dataset è descritta di seguito:

  • Set di allenamento: Consiste in 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 crepe trova applicazioni pratiche nella manutenzione delle infrastrutture, aiutando nell'identificazione e nella valutazione dei danni strutturali. Svolge inoltre un ruolo cruciale nel migliorare la sicurezza stradale, consentendo ai sistemi automatizzati di individuare e risolvere le crepe della pavimentazione per effettuare riparazioni tempestive.

Set di dati YAML

Un file YAML (Yet Another Markup Language) viene utilizzato per delineare la configurazione del set di dati, includendo dettagli su percorsi, classi e altre informazioni pertinenti. In particolare, per il dataset 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://ultralytics.com/assets/crack-seg.zip

Utilizzo

Per addestrare il modello Ultralytics YOLOv8n sul dataset Crack Segmentation per 100 epoch con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina di addestramento del modello.

Esempio di treno

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Dati di esempio e annotazioni

Il dataset Crack Segmentation comprende una raccolta variegata di immagini e video catturati da diverse prospettive. Di seguito sono riportati alcuni esempi di dati del dataset, accompagnati dalle rispettive annotazioni:

Immagine campione del set di dati

  • Questa immagine presenta un esempio di segmentazione di un oggetto, con caselle di delimitazione annotate e maschere che delineano gli oggetti identificati. Il set di dati comprende un'ampia gamma di immagini scattate in luoghi, ambienti e densità diverse, il che lo rende una risorsa completa per lo sviluppo di modelli progettati per questo particolare compito.

  • L'esempio sottolinea la diversità e la complessità del dataset di segmentazione Crack, sottolineando il ruolo cruciale dei dati di alta qualità nelle attività di computer vision.

Citazioni e ringraziamenti

Se incorpori il set di dati sulla segmentazione delle crepe nelle tue attività di ricerca o sviluppo, fai riferimento al seguente documento:

@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 crepe come risorsa preziosa per i progetti di ricerca e sicurezza stradale. Per maggiori informazioni sul set di dati sulla segmentazione delle crepe e sui suoi creatori, visita la pagina del set di dati sulla segmentazione delle crepe.



Created 2024-01-25, Updated 2024-06-02
Authors: glenn-jocher (3), RizwanMunawar (1)

Commenti