亀裂セグメンテーションデータセット
Roboflow Universeで利用可能なCrack Segmentation Datasetは、輸送および公共安全の研究に関わる個人向けに設計された広範なリソースです。また、自動運転車モデルの開発や、さまざまなコンピュータビジョンアプリケーションの探索にも役立ちます。このデータセットは、Ultralytics Datasets Hubで利用できるより広範なコレクションの一部です。
見る: Ultralytics YOLOv9を使用した亀裂セグメンテーション。
多様な道路と壁のシナリオからキャプチャされた4029枚の静止画像で構成されるこのデータセットは、亀裂セグメンテーションタスクにとって貴重な資産です。輸送インフラストラクチャを研究している場合でも、自動運転システムの精度を向上させることを目指している場合でも、このデータセットは深層学習モデルをトレーニングするための豊富な画像コレクションを提供します。
データセットの構造
Crack Segmentation Datasetは、3つのサブセットに編成されています。
- トレーニングセット:対応するアノテーションが付いた3717枚の画像。
- テストセット: 対応するアノテーションが付いた 112 枚の画像。
- 検証セット: 対応するアノテーションが付いた200枚の画像。
アプリケーション
亀裂セグメンテーションは、インフラストラクチャのメンテナンスにおいて実用的な応用が見られ、建物、橋、道路の構造的損傷の特定と評価に役立ちます。また、自動化システムが舗装の亀裂を検出してタイムリーに修理できるようにすることで、道路の安全性を向上させる上でも重要な役割を果たします。
産業環境では、Ultralytics YOLO11のような深層学習モデルを使用した亀裂検出は、建設における建物の完全性を保証し、製造業におけるコストのかかるダウンタイムを防ぎ、道路検査をより安全かつ効果的にします。亀裂を自動的に識別および分類することで、メンテナンスチームは修理の優先順位を効率的に決定でき、より優れたモデル評価の洞察に貢献します。
データセット YAML
A YAML (Yet Another Markup Language)ファイルは、データセットの構成を定義します。これには、データセットのパス、クラス、その他の関連情報に関する詳細が含まれています。Crack Segmentationデータセットの場合、 crack-seg.yaml
fileは以下で管理されています: 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
使用法
画像サイズが640のCrack SegmentationデータセットでUltralytics YOLO11nモデルを100エポック学習させるには、次のpythonコードスニペットを使用します。利用可能な引数とハイパーパラメータチューニングなどの構成の包括的なリストについては、モデルのトレーニングドキュメントページを参照してください。
学習の例
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
サンプルデータとアノテーション
Crack Segmentationデータセットには、道路や壁のさまざまな種類のひび割れを示す、さまざまな視点からキャプチャされた画像の多様なコレクションが含まれています。いくつかの例を次に示します。
-
この画像はインスタンスセグメンテーションを示しており、識別された亀裂を概説するマスク付きの注釈付きバウンディングボックスが特徴です。このデータセットには、さまざまな場所や環境からの画像が含まれており、このタスクのための堅牢なモデルを開発するための包括的なリソースとなっています。データ拡張などの手法は、データセットの多様性をさらに高めることができます。インスタンスセグメンテーションとトラッキングの詳細については、ガイドをご覧ください。
-
この例は、Crack Segmentationデータセット内の多様性を強調しており、効果的なコンピュータビジョンモデルをトレーニングするための高品質データの重要性を強調しています。
引用と謝辞
Crack Segmentationデータセットを研究または開発で使用する場合は、出典を適切に引用してください。このデータセットはRoboflowを通じて提供されています。
@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 },
}
道路安全とインフラストラクチャ評価に関連するプロジェクトにとって特に貴重なリソースである、亀裂セグメンテーションデータセットを公開してくれたRoboflowのチームに感謝します。
よくある質問
Crack Segmentation Datasetとは何ですか?
Crack Segmentation Datasetは、輸送および公共安全の研究用に設計された4029枚の静止画像のコレクションです。自動運転車モデルの開発やインフラストラクチャメンテナンスなどのタスクに適しています。ひび割れ検出およびセグメンテーションタスク用のトレーニング、テスト、および検証セットが含まれています。
Ultralytics YOLO11 で Crack Segmentation Dataset を使用してモデルをトレーニングするにはどうすればよいですか?
このデータセットでUltralytics YOLO11モデルを学習させるには、提供されているpythonまたはCLIの例を使用します。詳細な手順とパラメータは、モデルのトレーニングページにあります。Ultralytics HUBなどのツールを使用して、トレーニングプロセスを管理できます。
学習の例
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
自動運転車プロジェクトに亀裂セグメンテーションデータセットを使用する理由
このデータセットは、道路や壁の多様な画像を含み、さまざまな現実世界のシナリオを網羅しているため、自動運転車のプロジェクトに役立ちます。この多様性により、道路の安全性とインフラストラクチャの評価に不可欠な亀裂検出のためにトレーニングされたモデルの堅牢性が向上します。詳細なアノテーションは、潜在的な道路の危険を正確に特定できるモデルの開発に役立ちます。
Ultralytics YOLOは、亀裂のセグメンテーションに関してどのような機能を提供しますか?
Ultralytics YOLOは、リアルタイムの物体検出、セグメンテーション、および分類機能を提供し、亀裂セグメンテーションタスクに非常に適しています。大規模なデータセットや複雑なシナリオを効率的に処理します。このフレームワークには、モデルのTraining、Prediction、およびExportingのための包括的なモードが含まれています。YOLOのanchor-free detectionアプローチは、亀裂のような不規則な形状に対するパフォーマンスを向上させることができ、パフォーマンスは標準的なメトリクスを使用して測定できます。
ひび割れセグメンテーションデータセットの引用方法を教えてください。
このデータセットを研究で使用する場合は、作成者に適切なクレジットを与えるために、上記のBibTeXエントリーを使用して引用してください。