균열 분할 데이터셋
균열 분할 데이터셋은 교통 및 공공 안전 연구에 종사하는 개인을 위해 설계된 광범위한 리소스입니다. 또한 자율주행 자동차 모델을 개발하거나 다양한 컴퓨터 비전 애플리케이션을 탐구하는 데 유용합니다. 이 데이터셋은 Ultralytics 데이터셋 허브에서 제공되는 더 큰 컬렉션의 일부입니다.
Watch: How to Train a Crack Segmentation Model using Ultralytics YOLO26 | AI in Construction 🎉
다양한 도로 및 벽면 시나리오에서 캡처한 4029개의 정적 이미지로 구성된 이 데이터셋은 균열 분할 작업을 위한 귀중한 자산입니다. 교통 인프라를 연구하거나 자율 주행 시스템의 정확도를 향상시키려는 경우, 이 데이터셋은 딥러닝 모델 학습을 위한 풍부한 이미지 컬렉션을 제공합니다.
데이터셋 구조
균열 분할 데이터셋은 세 개의 하위 집합으로 구성됩니다:
- 학습 세트(Training set): 주석이 포함된 3717개의 이미지.
- 테스트 세트(Testing set): 주석이 포함된 112개의 이미지.
- 검증 세트(Validation set): 주석이 포함된 200개의 이미지.
응용 분야
균열 분할은 인프라 유지관리 분야에서 실용적인 응용을 찾을 수 있으며, 건물, 교량 및 도로의 구조적 손상을 식별하고 평가하는 데 도움이 됩니다. 또한 자동화 시스템이 제때 보수할 수 있도록 포장 도로의 균열을 감지하게 함으로써 도로 안전을 강화하는 데 중요한 역할을 합니다.
산업 환경에서 Ultralytics YOLO26와 같은 딥러닝 모델을 사용한 균열 감지는 건설 현장의 건물 무결성을 보장하고, 제조 분야의 비용이 많이 드는 가동 중단을 방지하며, 도로 점검을 더 안전하고 효과적으로 만듭니다. 균열을 자동으로 식별하고 분류하면 유지관리 팀이 수리 우선순위를 효율적으로 정할 수 있어 더 나은 모델 평가 인사이트에 기여할 수 있습니다.
데이터셋 YAML
YAML 파일은 데이터셋 구성을 정의합니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보에 대한 세부 사항이 포함됩니다. 균열 분할 데이터셋의 경우, crack-seg.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml에서 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.zip사용법
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')샘플 데이터 및 주석
균열 분할 데이터셋은 다양한 관점에서 캡처된 이미지의 다양한 컬렉션을 포함하고 있으며, 도로와 벽의 여러 유형의 균열을 보여줍니다. 다음은 몇 가지 예입니다:
-
이 이미지는 인스턴스 분할을 보여주며, 식별된 균열을 윤곽선으로 표시하는 마스크와 함께 주석이 달린 바운딩 박스를 특징으로 합니다. 이 데이터셋은 다양한 위치와 환경의 이미지를 포함하고 있어 이 작업을 위한 강력한 모델을 개발하기 위한 포괄적인 리소스입니다. 데이터 증강과 같은 기술은 데이터셋의 다양성을 더욱 향상시킬 수 있습니다. 인스턴스 분할 및 추적에 대해 자세히 알아보려면 당사의 가이드를 참조하십시오.
-
이 예제는 균열 분할 데이터셋 내의 다양성을 강조하며, 효과적인 컴퓨터 비전 모델을 학습하기 위한 고품질 데이터의 중요성을 역설합니다.
인용 및 감사의 글
연구 또는 개발 작업에서 균열 분할 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 },
}저희는 균열 분할 데이터셋을 사용할 수 있게 해준 Roboflow 팀에게 감사를 표하며, 특히 도로 안전 및 인프라 평가와 관련된 프로젝트를 위해 컴퓨터 비전 커뮤니티에 귀중한 리소스를 제공해주신 점을 높이 평가합니다.
FAQ
균열 분할 데이터셋이란 무엇입니까?
균열 분할 데이터셋은 교통 및 공공 안전 연구를 위해 설계된 4029개의 정적 이미지 컬렉션입니다. 자율주행 자동차 모델 개발 및 인프라 유지관리와 같은 작업에 적합합니다. 이 데이터셋은 균열 감지 및 분할 작업을 위한 학습, 테스트 및 검증 세트를 포함합니다.
Ultralytics YOLO26을 사용하여 균열 분할 데이터셋으로 모델을 학습하려면 어떻게 해야 합니까?
이 데이터셋에서 Ultralytics YOLO26 모델을 학습하려면 제공된 Python 또는 CLI 예제를 사용하십시오. 자세한 지침과 매개변수는 모델 학습(Training) 페이지에서 확인할 수 있습니다. Ultralytics Platform과 같은 도구를 사용하여 학습 과정을 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)자율주행 자동차 프로젝트에 균열 분할 데이터셋을 사용하는 이유는 무엇입니까?
이 데이터셋은 다양한 실제 시나리오를 포괄하는 도로와 벽의 다양한 이미지 덕분에 자율주행 자동차 프로젝트에 유용합니다. 이러한 다양성은 도로 안전 및 인프라 평가에 중요한 균열 감지를 위해 학습된 모델의 견고성을 향상시킵니다. 상세한 주석은 잠재적인 도로 위험을 정확하게 식별할 수 있는 모델 개발을 지원합니다.
Ultralytics YOLO는 균열 분할을 위해 어떤 기능을 제공합니까?
Ultralytics YOLO는 실시간 객체 탐지, 분할 및 분류 기능을 제공하여 균열 분할 작업에 매우 적합합니다. 대규모 데이터셋과 복잡한 시나리오를 효율적으로 처리합니다. 이 프레임워크는 모델 학습(Training), 예측(Prediction) 및 내보내기(Exporting)를 위한 포괄적인 모드를 포함합니다. YOLO의 앵커 프리 탐지 접근 방식은 균열과 같은 불규칙한 모양에 대한 성능을 향상시킬 수 있으며, 표준 지표를 사용하여 성능을 측정할 수 있습니다.
균열 분할 데이터셋을 어떻게 인용합니까?
작업에서 이 데이터셋을 사용하는 경우, 위에서 제공된 BibTeX 항목을 사용하여 작성자에게 적절한 크레딧을 제공하십시오.