Link to this sectionクラックセグメンテーションデータセット#

クラックセグメンテーションデータセットは、交通および公共安全の研究に携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、様々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 データセットハブで利用可能な広範なコレクションの一部です。

Watch: How to Train a Crack Segmentation Model using Ultralytics YOLO26 | AI in Construction 🎉

多様な道路や壁の状況からキャプチャされた4029枚の静止画像で構成されており、このデータセットはクラックセグメンテーションタスクにおいて価値ある資産となります。交通インフラを研究している場合でも、自動運転システムの精度向上を目指している場合でも、このデータセットはディープラーニングモデルのトレーニングに豊富な画像を提供します。

Link to this sectionデータセットの構造#

クラックセグメンテーションデータセットは、3つのサブセットで構成されています。

トレーニングセット: 3717枚の画像と対応するアノテーション。
テストセット: 200枚の画像と対応するアノテーション。
検証セット: 112枚の画像と対応するアノテーション。

Link to this sectionアプリケーション#

クラックセグメンテーションは、インフラメンテナンスにおいて実用的な応用が見込まれており、建物、橋、道路の構造的な損傷の特定と評価を支援します。また、自動システムが舗装のクラックを検出し、適時の修理を可能にすることで、道路の安全性の向上にも重要な役割を果たします。

産業現場では、Ultralytics YOLO26のようなディープラーニングモデルを使用したクラック検出が、建設における建物の完全性を保証し、製造におけるコストのかかるダウンタイムを防ぎ、道路点検をより安全かつ効果的にします。自動的にクラックを特定して分類することで、メンテナンスチームは優先順位を付けて効率的に修理を行うことができ、より良いモデル評価のインサイトにも寄与します。

Link to this sectionデータセット YAML#

YAML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、およびその他の関連情報が含まれます。クラックセグメンテーションデータセットの場合、crack-seg.yamlファイルが https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml に管理されています。

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') 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 section使用方法#

To train the Ultralytics YOLO26n-seg model on the Crack Segmentation dataset for 100 epochs with an image size of 640, use the following Python or CLI snippets. Refer to the model Training documentation page for a comprehensive list of available arguments and configurations like hyperparameter tuning.

学習例

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 sectionサンプルデータとアノテーション#

クラックセグメンテーションデータセットには、道路や壁の様々な種類のクラックを示す、様々な視点からキャプチャされた多様な画像コレクションが含まれています。以下にいくつかの例を示します。

インフラ点検用クラックセグメンテーションデータセットのサンプル

This image demonstrates instance segmentation, featuring annotated bounding boxes with masks outlining identified cracks. The dataset includes images from different locations and environments, making it a comprehensive resource for developing robust models for this task. Techniques like data augmentation can further enhance dataset diversity. Learn more about instance segmentation and tracking in our guide.
この例はクラックセグメンテーション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に高品質なデータが重要であることを示しています。

Link to this section引用と謝辞#

研究や開発作業でクラックセグメンテーションデータセットを使用する場合は、適切に出典を明記してください。

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 },
}

クラックセグメンテーションデータセットを利用可能にし、コンピュータ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連するプロジェクトにとって価値あるリソースを提供してくださったRoboflowチームに感謝します。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionクラックセグメンテーションデータセットとは何ですか？#

クラックセグメンテーションデータセットは、交通および公共安全の研究のために設計された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メンテナンスなどのタスクに適しています。クラック検出およびセグメンテーションタスクのためのトレーニング、テスト、検証セットが含まれています。

Link to this sectionUltralytics YOLO26を使用してクラックセグメンテーションデータセットで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 YOLO26モデルをトレーニングするには、提供されているPythonまたはCLIの例を使用してください。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で確認できます。Ultralyticsプラットフォームなどのツールを使用してトレーニングプロセスを管理することも可能です。

学習例

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 sectionなぜ自動運転車のプロジェクトにクラックセグメンテーションデータセットを使用するのですか？#

このデータセットは、道路や壁の多様な画像を含み、様々な現実世界のシナリオをカバーしているため、自動運転車のプロジェクトにとって価値があります。この多様性は、クラック検出のためにトレーニングされたモデルの堅牢性を向上させ、道路の安全性とインフラ評価にとって重要です。詳細なアノテーションは、道路の潜在的な危険を正確に特定できるモデルの開発に役立ちます。

Link to this sectionUltralytics YOLOはクラックセグメンテーションに対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、分類機能を提供しており、クラック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、モデルのトレーニング、予測、エクスポートのための包括的なモードが含まれています。YOLOのアンカーフリー検出アプローチは、クラック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可能です。

Link to this sectionクラックセグメンテーションデータセットを引用するにはどうすればよいですか？#

ご自身の作業でこのデータセットを使用する場合は、作成者に適切なクレジットを与えるため、上記で提供されているBibTeXエントリーを使用して引用してください。

貢献者

GLglenn-jocher¹² RIRizwanMunawar⁴ ONonuralpszr¹ MAMatthewNoyce¹ JKjk4e¹

作成日 2024年1月25日更新日昨日