はじめる

ひび割れセグメンテーションデータセット

Open Crack Segmentation Dataset In Colab

Ultralyticsのひび割れセグメンテーションデータセットは、道路や壁のひび割れをアノテーションした4,029枚の画像を提供し、単一のcrackクラスを対象とするインスタンスセグメンテーションモデルの学習に使用できます。多様な舗装や構造物の状況で撮影されたこのデータセットは、Ultralytics YOLOと直接組み合わせて使用でき、交通安全や自動運転車の認識から、インフラの保守、構造物のコンピュータービジョン検査まで、幅広い用途に対応します。



視聴: Ultralytics YOLO26 を使ってひび割れセグメンテーションモデルをトレーニングする方法 | 建設分野の AI 🎉

データセットの構成#

ひび割れセグメンテーションデータセットの4,029枚の画像は、次のように分割されています。

  • 学習セット: 学習に使用する3,717枚の画像で、ディープラーニングモデルを訓練します。
  • 検証セット: 学習中にハイパーパラメーターの調整や過学習の防止に使用する200枚の画像です。
  • テストセット: 学習後のモデル評価用に保留された112枚の画像です。
  • クラス: 道路や壁にあるアノテーション済みのすべてのひび割れを対象とする単一のcrackクラスです。
  • ダウンロードサイズ: ~91.6 MB。

用途#

亀裂セグメンテーションは、建物、橋、道路の構造損傷を特定・評価し、インフラの保守を支援します。また、自動システムが路面の亀裂を検出して迅速な修理につなげることで、道路の安全性も向上します。

産業分野では、Ultralytics YOLO26などのモデルを用いた亀裂検出により、建設現場で建物の健全性を確認し、製造業における高額なダウンタイムを防ぎ、道路点検の安全性を高めることができます。亀裂を自動で分類することで、保守チームは緊急性の高い修理を優先できます。

Crack Segmentation Datasetの全体は、Ultralytics Platformで閲覧・管理することもできます。

データセットYAML#

YAMLファイルでデータセットの設定を定義します。データセットのパス、クラス、その他の関連情報が含まれています。Crack Segmentationデータセットでは、crack-seg.yamlファイルがhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yamlに保管されています。

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

使用方法#

以下のPythonまたはCLIのスニペットを使用すると、Crack Segmentationデータセットで画像サイズ640、100エポックの条件でUltralytics YOLO26n-segモデルをトレーニングできます。

トレーニング例
from ultralytics import YOLO

# モデルを読み込む
# 収束を早めるため、yolo26n-seg.ptのような事前トレーニング済みモデルの使用を推奨します
model = YOLO("yolo26n-seg.pt")

# Crack Segmentationデータセットでモデルをトレーニングします
# 'crack-seg.yaml'にアクセスできることを確認するか、フルパスを指定してください
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# トレーニング後、モデルを予測またはエクスポートに使用できます
# results = model.predict(source='path/to/your/images')

サンプルデータとアノテーション#

以下は、道路や壁面で特定された亀裂を示すインスタンスセグメンテーションマスクを重ねた、Crack Segmentation Datasetの例です。

インフラ点検向けひび割れセグメンテーションデータセットのサンプル

このデータセットには多様な場所、表面、照明条件が含まれているため、これを使ってトレーニングしたモデルは、汎化に必要な幅広い実環境のシーンを学習できます。データ拡張でさらに多様性を広げることもできます。関連するワークフローについては、インスタンスセグメンテーションとトラッキングのガイドを参照してください。

引用と謝辞#

研究または開発でCrack Segmentationデータセットを使用する場合は、適切な形式で出典を引用してください。

引用
@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 },
}

Crack Segmentationデータセットを公開し、コンピュータービジョンコミュニティ、特に道路の安全性やインフラ評価に関するプロジェクトに貴重なリソースを提供してくださったRoboflowのチームに感謝いたします。他のデータセットについては、Ultralytics Datasetsコレクションをご覧ください。

よくある質問#

  • Crack Segmentation Datasetは、道路や壁面のひび割れを含む4,029枚のアノテーション付き画像を集めたデータセットです。単一のcrackクラスを対象とするインスタンスセグメンテーションモデルのトレーニングと評価に使用します。構造物の点検や舗装の評価など、交通安全やインフラ分野の用途を想定して構築されており、crack-seg.yaml設定ファイルを使ってUltralytics YOLO26で直接使用できます。

  • このデータセットは合計4,029枚の画像で構成され、トレーニング用が3,717枚、検証用が200枚、テスト用が112枚です。すべて単一のcrackクラスとしてアノテーションされています。初回使用時に、約~91.6 MBの.zipとしてアーカイブ全体が自動ダウンロードされます。

  • 学習済みのセグメンテーションモデル(例:yolo26n-seg.pt)を読み込み、上記の使用方法セクションにあるPythonまたはCLIのコードスニペットを使って、crack-seg.yaml設定で学習します。使用可能な引数の全一覧については、学習ガイドをご覧ください。

  • 道路や壁面の多様な亀裂画像が、さまざまな現実世界のシナリオをカバーし、亀裂検出向けに学習したモデルの堅牢性を高めます。高精度なセグメンテーションは、潜在的な危険を確実に特定する必要がある道路安全システムやインフラ評価システムを支援します。

  • データセットのパスと単一のcrackクラスを定義するcrack-seg.yamlファイルは、Ultralytics GitHubリポジトリのcrack-seg.yamlにあります。

コメント2

質問したり、結果を共有したり、ほかの人をサポートしたりできます。

  1. mzg0108GitHub

    What was the performance of Yolo 8 on this dataset? What was the mean IOU on test set?

    1. Glenn JocherUltralytics(編集済み)

      Hey there!

      Thanks for reaching out with your question about performance on the Crack Segmentation dataset. 🚀 We do not publish a mean IOU (Intersection Over Union) for the test set on this dataset.

      For an example on how to train a YOLO26 model on the crack segmentation dataset, you might find this snippet useful:

      from ultralytics import YOLO
      
      # Load a pretrained model (recommended for training)
      model = YOLO('yolo26n-seg.pt')  
      
      # Train the model on the crack-seg dataset
      results = model.train(data='crack-seg.yaml', epochs=100, imgsz=640)

      If you're specifically interested in evaluating the model's performance in terms of mean IOU or any other metrics, you can use the val mode to validate your model after training (for example with split='test' if your dataset YAML defines a test set), which reports mask mAP.

      Feel free to dive into your own experiments and share your findings. The community and we are always eager to learn about different performance insights across various datasets! 🌟

      Happy detecting, and let us know if you have any more questions or if there's anything else we can help you with!

      1