クラック・セグメンテーション・データセット

Roboflow Universeで利用可能なクラックセグメンテーションデータセットは、交通や公共安全の研究に携わる人々のため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研究にも役立ちます。このデータセットは、Ultralytics Datasets Hubで利用可能な幅広いコレクションの一部です。

見るんだ： Ultralytics YOLOv9を使用したクラックセグメンテーション。

多様な道路や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、亀裂のセグメンテーションタスクのための貴重な資産です。交通インフラを研究している場合でも、自律走行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つのサブセットに編成されている：

• 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：112枚の画像と対応するアノテーション。
• 検証セット：200枚の画像と対応するアノテーション。

アプリケーション

ひび割れセグメンテーションは、建物、橋梁、道路の構造的損傷の特定と評価に役立ち、インフラ保守において実用的な用途が見いだされる。また、自動システムが舗装のひび割れを検出し、タイムリーに補修できるようにすることで、道路の安全性を高めるという重要な役割も担っている。

産業環境では、次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行われている。 Ultralytics YOLO11のようなディープラーニングモデルを使用したひび割れ検出は、建設現場における建物の完全性を確保し、製造現場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で効果的にするのに役立ちます。ひび割れを自動的に特定して分類することで、メンテナンスチームは修理の優先順位を効率的に決めることができ、より良いモデル評価の洞察に貢献します。

データセット YAML

A ヤムル (Yet Another Markup Language) ファイルは、データセットの設定を定義する。このファイルには、データセットのパス、クラス、その他の関連情報の詳細が含まれている。クラック・セグメンテーション・データセットでは crack-seg.yaml ファイルは 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 (91.2 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://github.com/ultralytics/assets/releases/download/v0.0.0/crack-seg.zip

使用方法

Ultralytics YOLO11nモデルをCrack Segmentationデータセットで画像サイズ640で100エポック学習させるには、以下を使用します。 Pythonコードスニペットを使用します。利用可能な引数やハイパーパラメータチューニングなどの設定の包括的なリストについては、モデルトレーニングのドキュメントページを参照してください。

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

サンプルデータと注釈

ひび割れセグメンテーションデータセットには、道路や壁の様々なひび割れを様々な視点から捉えた画像が含まれています。以下に例を挙げる：

• この画像はインスタンスのセグメンテーションを示すもので、識別された亀裂の輪郭を示すマスクと注釈付きバウンディングボックスを特徴としている。このデータセットには様々な場所や環境の画像が含まれており、このタスクのロバストモデルを開発するための包括的なリソースとなっている。データ拡張のようなテクニックは、データセットの多様性をさらに高めることができます。インスタンスのセグメンテーションとトラッキングの詳細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、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る。

引用と謝辞

クラック・セグメンテーション・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提供されました：

@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 },
}

Roboflow チームがひび割れセグメンテーションのデータセットを公開してくれたおかげで、コンピュータビジョンのコミュニティ、特に交通安全やインフラ評価に関連するプロジェクトに貴重なリソースを提供することができた。

よくあるご質問

クラック・セグメンテーション・データセットとは？

ひび割れセグメンテーションデータセットは、交通と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。自動運転車のモデル開発やインフラ整備などのタスクに適しています。ひび割れ検出とセグメンテーションタスクのトレーニング、テスト、検証セットが含まれています。

ひび割れセグメンテーションデータセット（Crack Segmentation Dataset）Ultralytics YOLO11 を使ってモデルを学習するには？

をトレーニングする Ultralytics YOLO11モデルをこのデータセットで学習するには、提供されているPython またはCLI 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入手できます。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。

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クラック・セグメンテーション・データセットを使う理由

このデータセットは、様々な実世界のシナリオをカバーする道路や壁の多様な画像を含んでいるため、自動運転車プロジェクトにとって貴重である。この多様性により、ひび割れ検出用にトレーニングされたモデルのロバスト性が向上し、これは交通安全やインフラ評価にとって極めて重要である。詳細な注釈は、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 クラック・セグメンテーションにどのような機能を提供していますか？

Ultralytics YOLO 、リアルタイムのオブジェクト検出、セグメンテーション、分類機能を備えており、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 アンカーフリー検出アプローチは、ひび割れのような不規則な形状のパフォーマンスを向上させ、標準的なメトリクスを使用してパフォーマンスを測定することができます。

クラック・セグメンテーション・データセットの引用方法は？

このデータセットをあなたの研究で使用する場合は、提供された上記のBibTeXエントリーを使用して引用し、作成者に適切なクレジットを与えてください。

📅作成：1年前 ✏️更新 20日前

コメント