Link to this sectionCrack Segmentation Dataset#

Crack Segmentation Dataset은 교통 및 공공 안전 연구와 관련된 개인을 위해 설계된 방대한 리소스입니다. 또한 자율 주행 자동차 모델 개발이나 다양한 컴퓨터 비전 애플리케이션을 탐색하는 데에도 유용합니다. 이 데이터셋은 Ultralytics Datasets Hub에서 제공되는 더 광범위한 컬렉션의 일부입니다.

다양한 도로 및 벽면 시나리오에서 캡처된 4029개의 정적 이미지로 구성된 이 데이터셋은 크랙 세그멘테이션 작업에 가치 있는 자산입니다. 교통 인프라를 연구하든 자율 주행 시스템의 정확도를 향상시키려 하든, 이 데이터셋은 딥 러닝 모델을 학습시키기 위한 풍부한 이미지 컬렉션을 제공합니다.

Link to this section데이터셋 구조#

Crack Segmentation Dataset은 세 개의 하위 집합으로 구성되어 있습니다:

• Training set(학습 세트): 주석(annotation)이 포함된 3717개의 이미지.
• Testing set(테스트 세트): 주석(annotation)이 포함된 200개의 이미지.
• Validation set(검증 세트): 주석(annotation)이 포함된 112개의 이미지.

Link to this section응용 분야#

크랙 세그멘테이션은 인프라 유지 관리 분야에서 실용적인 응용 프로그램을 찾으며, 건물, 교량 및 도로의 구조적 손상을 식별하고 평가하는 데 도움을 줍니다. 또한 자동화된 시스템이 포장 도로의 크랙을 감지하여 적시에 수리할 수 있도록 함으로써 도로 안전을 강화하는 데 중요한 역할을 합니다.

산업 현장에서 Ultralytics YOLO26과 같은 딥 러닝 모델을 사용한 크랙 감지는 건설 분야의 건물 무결성을 보장하고, 제조 공정에서 비용이 많이 드는 가동 중단을 방지하며, 도로 점검을 더 안전하고 효과적으로 만듭니다. 크랙을 자동으로 식별하고 분류하면 유지 관리 팀이 수리 우선순위를 효율적으로 지정할 수 있어, 더 나은 모델 평가 통찰력을 얻는 데 기여합니다.

Link to this section데이터셋 YAML#

YAML (Yet Another Markup Language) 파일은 데이터셋 구성을 정의합니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보에 대한 세부 사항이 포함됩니다. Crack Segmentation 데이터셋의 경우, crack-seg.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml에 유지 관리됩니다.

# 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 section사용법#

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.

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 section샘플 데이터 및 주석#

Crack Segmentation 데이터셋에는 다양한 관점에서 캡처된 풍부한 이미지 컬렉션이 포함되어 있으며, 도로와 벽의 다양한 유형의 크랙을 보여줍니다. 몇 가지 예는 다음과 같습니다:

• 이 이미지는 인스턴스 세그멘테이션을 보여주며, 식별된 크랙을 윤곽선으로 표시한 마스크가 포함된 주석이 달린 바운딩 박스(bounding box)를 특징으로 합니다. 이 데이터셋은 다양한 위치와 환경의 이미지를 포함하고 있어 이 작업을 위한 강력한 모델을 개발하는 데 포괄적인 리소스가 됩니다. 데이터 증강(data augmentation)과 같은 기술은 데이터셋의 다양성을 더욱 향상시킬 수 있습니다. 인스턴스 세그멘테이션 및 추적에 대한 자세한 내용은 가이드에서 확인하십시오.

• 이 예제는 Crack Segmentation 데이터셋 내의 다양성을 강조하며, 효과적인 컴퓨터 비전 모델을 학습시키기 위한 고품질 데이터의 중요성을 보여줍니다.

Link to this section인용 및 감사의 글#

연구 또는 개발 작업에 Crack Segmentation 데이터셋을 사용하는 경우 출처를 적절하게 인용하십시오:

@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 데이터셋을 제공하여 컴퓨터 비전 커뮤니티, 특히 도로 안전 및 인프라 평가 관련 프로젝트에 가치 있는 리소스를 제공한 Roboflow 팀에 감사드립니다.

Link to this sectionFAQ#

Link to this sectionCrack Segmentation Dataset이란 무엇인가요?#

Crack Segmentation Dataset은 교통 및 공공 안전 연구를 위해 설계된 4029개의 정적 이미지 컬렉션입니다. 이 데이터셋은 자율 주행 자동차 모델 개발 및 인프라 유지 관리와 같은 작업에 적합합니다. 여기에는 크랙 감지 및 세그멘테이션 작업을 위한 학습, 테스트 및 검증 세트가 포함되어 있습니다.

Link to this sectionUltralytics YOLO26을 사용하여 Crack Segmentation 데이터셋으로 모델을 어떻게 학습시키나요?#

이 데이터셋에서 Ultralytics YOLO26 모델을 학습시키려면 제공된 Python 또는 CLI 예제를 사용하십시오. 자세한 지침과 매개변수는 모델 학습(Training) 페이지에서 확인할 수 있습니다. Ultralytics Platform과 같은 도구를 사용하여 학습 프로세스를 관리할 수 있습니다.

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 section자율 주행 자동차 프로젝트에 Crack Segmentation 데이터셋을 사용하는 이유는 무엇인가요?#

이 데이터셋은 다양한 도로와 벽면 이미지를 포함하고 있어 다양한 실제 시나리오를 다루기 때문에 자율 주행 자동차 프로젝트에 유용합니다. 이러한 다양성은 크랙 감지를 위해 학습된 모델의 견고성을 향상시키며, 이는 도로 안전과 인프라 평가에 매우 중요합니다. 자세한 주석은 잠재적인 도로 위험을 정확하게 식별할 수 있는 모델 개발을 돕습니다.

Link to this sectionUltralytics YOLO는 크랙 세그멘테이션을 위해 어떤 기능을 제공하나요?#

Ultralytics YOLO는 실시간 객체 감지(object detection), 세그멘테이션 및 분류 기능을 제공하여 크랙 세그멘테이션 작업에 매우 적합합니다. 대규모 데이터셋과 복잡한 시나리오를 효율적으로 처리합니다. 이 프레임워크에는 모델 학습(Training), 예측(Prediction) 및 내보내기(Exporting)를 위한 포괄적인 모드가 포함되어 있습니다. YOLO의 앵커 프리 감지(anchor-free detection) 접근 방식은 크랙과 같은 불규칙한 형태에 대한 성능을 향상시킬 수 있으며, 성능은 표준 메트릭(metrics)을 사용하여 측정할 수 있습니다.

Link to this sectionCrack Segmentation 데이터셋은 어떻게 인용하나요?#

귀하의 작업에서 이 데이터셋을 사용하는 경우, 제공된 BibTeX 항목을 사용하여 출처를 적절히 밝혀주십시오.