크랙 세분화 데이터 세트

Q: How do I train a model using the Crack Segmentation Dataset with Ultralytics YOLO11?

이 데이터 세트에서 Ultralytics YOLO11 모델을 훈련하려면 제공된 Python 또는 CLI 예제를 사용하세요. 자세한 지침과 매개변수는 모델 훈련 페이지에서 확인할 수 있습니다. Ultralytics HUB와 같은 도구를 사용하여 훈련 프로세스를 관리할 수 있습니다.

Roboflow Universe에서 제공되는 균열 세분화 데이터 세트는 교통 및 공공 안전 연구에 종사하는 개인을 위해 설계된 광범위한 리소스입니다. 또한 자율 주행 자동차 모델을 개발하거나 다양한 컴퓨터 비전 애플리케이션을 탐색하는 데 유용합니다. 이 데이터 세트는 Ultralytics 데이터 세트 허브에서 제공되는 광범위한 컬렉션의 일부입니다.

Watch: Ultralytics YOLOv9을 사용한 크랙 세분화.

다양한 도로 및 벽면 시나리오에서 캡처한 4029개의 정적 이미지로 구성된 이 데이터 세트는 균열 세분화 작업에 유용한 자산입니다. 교통 인프라를 연구하든 자율 주행 시스템의 정확도를 높이려는 목적이든, 이 데이터 세트는 딥 러닝 모델 학습을 위한 풍부한 이미지 모음을 제공합니다.

데이터 세트 구조

크랙 세분화 데이터 세트는 세 개의 하위 집합으로 구성됩니다:

트레이닝 세트: 3717개의 이미지와 해당 주석.
테스트 세트: 해당 주석이 있는 이미지 112개.
유효성 검사 세트: 해당 주석이 있는 이미지 200개.

애플리케이션

균열 세분화는 건물, 교량, 도로의 구조적 손상을 식별하고 평가하는 데 도움을 주는 인프라 유지보수 분야에서 실용적인 애플리케이션을 찾습니다. 또한 자동화된 시스템이 포장 균열을 감지하여 적시에 수리할 수 있도록 함으로써 도로 안전을 강화하는 데 중요한 역할을 합니다.

산업 환경에서는 다음과 같은 딥 러닝 모델을 사용한 크랙 탐지를 사용합니다. Ultralytics YOLO11 와 같은 딥 러닝 모델을 사용하면 건설 시 건물의 무결성을 보장하고, 제조 과정에서 비용이 많이 드는 가동 중단을 방지하며, 도로 검사를 더 안전하고 효과적으로 수행할 수 있습니다. 균열을 자동으로 식별하고 분류하면 유지보수 팀이 효율적으로 수리 우선순위를 정할 수 있어 모델 평가 인사이트를 개선하는 데 도움이 됩니다.

데이터 세트 YAML

A YAML (또 다른 마크업 언어) 파일은 데이터 세트 구성을 정의합니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보에 대한 세부 정보가 포함됩니다. 크랙 세분화 데이터 세트의 경우, 데이터 세트의 crack-seg.yaml 파일은 다음 위치에서 유지됩니다. 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 (91.2 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

사용법

이미지 크기가 640인 100개의 에포크에 대한 균열 세분화 데이터 세트에 대해 Ultralytics YOLO11n 모델을 훈련하려면 다음을 사용합니다. Python 코드 스니펫을 사용합니다. 하이퍼파라미터 튜닝과 같이 사용 가능한 인수 및 구성의 전체 목록은 모델 훈련 설명서 페이지를 참조하세요.

열차 예시

PythonCLI

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

샘플 데이터 및 주석

균열 세분화 데이터 세트에는 다양한 관점에서 캡처한 다양한 이미지 모음이 포함되어 있어 도로와 벽의 다양한 균열 유형을 보여줍니다. 다음은 몇 가지 예시입니다:

데이터 세트 샘플 이미지

이 이미지는 식별된 균열의 윤곽을 나타내는 마스크가 있는 주석이 달린 경계 상자가 있는 인스턴스 분할을 보여줍니다. 이 데이터 세트에는 다양한 위치와 환경의 이미지가 포함되어 있어 이 작업을 위한 강력한 모델을 개발하기 위한 포괄적인 리소스로 활용할 수 있습니다. 데이터 증강과 같은 기술을 사용하면 데이터 세트의 다양성을 더욱 향상시킬 수 있습니다. 인스턴스 세분화 및 추적에 대한 자세한 내용은 가이드를 참조하세요.
이 예는 균열 세분화 데이터 세트 내의 다양성을 강조하며 효과적인 컴퓨터 비전 모델 학습을 위한 고품질 데이터의 중요성을 강조합니다.

인용 및 감사

연구 또는 개발 작업에 균열 세분화 데이터 세트를 사용하는 경우, 출처를 적절히 인용해 주세요. 이 데이터 세트는 Roboflow 통해 제공되었습니다:

BibTeX

@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 },
}

특히 도로 안전 및 인프라 평가와 관련된 프로젝트를 위해 균열 세분화 데이터 세트를 제공하여 컴퓨터 비전 커뮤니티에 귀중한 리소스를 제공한 Roboflow 팀에 감사를 표합니다.

자주 묻는 질문

크랙 세분화 데이터 세트란 무엇인가요?

균열 세분화 데이터 세트는 교통 및 공공 안전 연구를 위해 설계된 4029개의 정적 이미지 모음입니다. 자율 주행 자동차 모델 개발 및 인프라 유지 관리와 같은 작업에 적합합니다. 여기에는 균열 감지 및 세분화 작업을 위한 훈련, 테스트 및 검증 세트가 포함되어 있습니다.

균열 세분화 데이터 세트( Ultralytics YOLO11 )를 사용하여 모델을 훈련하려면 어떻게 해야 하나요?

교육하려면 Ultralytics YOLO11 모델을 훈련하려면 제공된 Python 또는 CLI 예제를 사용하세요. 자세한 지침과 매개변수는 모델 훈련 페이지에서 확인할 수 있습니다. Ultralytics HUB와 같은 도구를 사용하여 훈련 프로세스를 관리할 수 있습니다.

열차 예시

PythonCLI

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

자율주행차 프로젝트에 크랙 세분화 데이터세트를 사용하는 이유는 무엇인가요?

이 데이터 세트는 다양한 실제 시나리오를 포괄하는 도로와 벽의 다양한 이미지로 구성되어 있어 자율주행차 프로젝트에 유용합니다. 이러한 다양성은 도로 안전 및 인프라 평가에 중요한 균열 감지를 위해 훈련된 모델의 견고성을 향상시킵니다. 상세한 주석은 잠재적인 도로 위험을 정확하게 식별할 수 있는 모델을 개발하는 데 도움이 됩니다.

크랙 세분화를 위해 Ultralytics YOLO 어떤 기능을 제공하나요?

Ultralytics YOLO 실시간 개체 감지, 세분화 및 분류 기능을 제공하므로 크랙 세분화 작업에 매우 적합합니다. 대규모 데이터 세트와 복잡한 시나리오를 효율적으로 처리합니다. 이 프레임워크에는 훈련, 예측, 모델 내보내기를 위한 포괄적인 모드가 포함되어 있습니다. YOLO 앵커 프리 감지 방식은 균열과 같은 불규칙한 모양에 대한 성능을 향상시킬 수 있으며, 표준 메트릭을 사용해 성능을 측정할 수 있습니다.