콘텐츠로 건너뛰기

균열 분할 데이터세트

Colab에서 균열 분할 데이터 세트 열기

Roboflow Universe에서 사용할 수 있는 균열 분할 데이터 세트는 운송 및 공공 안전 연구에 관련된 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 사용할 수 있는 더 광범위한 컬렉션의 일부입니다.



참고: Ultralytics YOLOv9를 사용한 균열 분할.

다양한 도로 및 벽 시나리오에서 캡처한 4029개의 정적 이미지로 구성된 이 데이터 세트는 균열 분할 작업에 유용한 자산입니다. 운송 인프라를 연구하거나 자율 주행 시스템의 정확도를 향상시키려는 경우, 이 데이터 세트는 딥 러닝 모델 훈련을 위한 풍부한 이미지 컬렉션을 제공합니다.

데이터 세트 구조

균열 분할 데이터 세트는 세 개의 하위 집합으로 구성됩니다:

  • 학습 데이터 세트: 해당 어노테이션이 포함된 3717개의 이미지입니다.
  • 테스트 세트: 해당 주석이 있는 112개의 이미지입니다.
  • Validation set: 해당 어노테이션이 포함된 200개의 이미지입니다.

응용 분야

균열 분할은 인프라 유지 관리에 실질적인 응용 분야를 찾아 건물, 교량 및 도로의 구조적 손상 식별 및 평가를 지원합니다. 또한 자동화된 시스템이 적시에 수리를 위해 포장 도로 균열을 감지할 수 있도록 지원하여 도로 안전을 향상시키는 데 중요한 역할을 합니다.

산업 환경에서 Ultralytics YOLO11과 같은 딥러닝 모델을 사용한 균열 감지는 건설 시 건물 무결성을 보장하고, 제조 시 비용이 많이 드는 가동 중지 시간을 방지하며, 도로 검사를 더 안전하고 효과적으로 만듭니다. 균열을 자동으로 식별하고 분류하면 유지 관리 팀이 수리를 효율적으로 우선 순위를 지정하여 더 나은 모델 평가 통찰력에 기여할 수 있습니다.

데이터세트 YAML

A YAML (Yet Another Markup Language) 파일은 데이터 세트 구성을 정의합니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보에 대한 세부 정보가 포함됩니다. Crack Segmentation 데이터 세트의 경우, crack-seg.yaml 파일은 다음 위치에서 관리됩니다. 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 (91.6 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

사용법

Ultralytics YOLO11n 모델을 Crack Segmentation 데이터 세트에서 이미지 크기 640으로 100 epochs 동안 훈련하려면 다음 Python 코드 스니펫을 사용하십시오. 사용 가능한 인수 및 하이퍼파라미터 튜닝과 같은 구성의 전체 목록은 모델 훈련 문서 페이지를 참조하십시오.

훈련 예제

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 분할 데이터 세트는 도로 및 벽의 다양한 유형의 균열을 보여주는 다양한 관점에서 캡처한 이미지 모음을 포함합니다. 몇 가지 예는 다음과 같습니다:

데이터 세트 샘플 이미지

  • 이 이미지는 식별된 균열을 윤곽선으로 표시하는 마스크가 있는 주석 처리된 바운딩 박스를 특징으로 하는 인스턴스 분할을 보여줍니다. 데이터 세트에는 다양한 위치와 환경의 이미지가 포함되어 있어 이 작업을 위한 강력한 모델 개발을 위한 포괄적인 리소스가 됩니다. 데이터 증강과 같은 기술은 데이터 세트의 다양성을 더욱 향상시킬 수 있습니다. 가이드에서 인스턴스 분할 및 추적에 대해 자세히 알아보세요.

  • 이 예는 Crack Segmentation 데이터 세트 내의 다양성을 강조하며, 효과적인 컴퓨터 비전 모델을 훈련하는 데 고품질 데이터가 중요하다는 점을 강조합니다.

인용 및 감사의 말씀

연구 또는 개발 작업에 Crack Segmentation 데이터 세트를 사용하는 경우, 출처를 적절히 인용해 주십시오. 이 데이터 세트는 Roboflow를 통해 제공되었습니다.

@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 },
}

균열 분할 데이터 세트를 사용할 수 있도록 제공하여 컴퓨터 비전 커뮤니티, 특히 도로 안전 및 인프라 평가와 관련된 프로젝트에 귀중한 리소스를 제공한 Roboflow 팀에게 감사를 표합니다.

FAQ

균열 분할 데이터 세트는 무엇입니까?

균열 분할 데이터 세트는 운송 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 분할 작업을 위한 학습, 테스트 및 유효성 검사 세트가 포함됩니다.

Ultralytics YOLO11을 사용하여 Crack Segmentation 데이터 세트로 모델을 어떻게 학습시키나요?

이 데이터 세트에서 Ultralytics YOLO11 모델을 학습하려면 제공된 Python 또는 CLI 예제를 사용하십시오. 자세한 지침 및 파라미터는 모델 학습 페이지에서 확인할 수 있습니다. Ultralytics HUB와 같은 도구를 사용하여 학습 프로세스를 관리할 수 있습니다.

훈련 예제

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

자율 주행 자동차 프로젝트에 균열 분할 데이터세트를 사용하는 이유는 무엇입니까?

이 데이터 세트는 다양한 실제 시나리오를 다루는 도로 및 벽의 다양한 이미지로 인해 자율 주행 자동차 프로젝트에 유용합니다. 이러한 다양성은 도로 안전 및 인프라 평가에 중요한 균열 감지를 위해 훈련된 모델의 견고성을 향상시킵니다. 자세한 주석은 잠재적인 도로 위험을 정확하게 식별할 수 있는 모델 개발에 도움이 됩니다.

Ultralytics YOLO는 균열 분할을 위해 어떤 기능을 제공합니까?

Ultralytics YOLO는 실시간 객체 감지, 분할 및 분류 기능을 제공하여 균열 분할 작업에 매우 적합합니다. 대규모 데이터 세트와 복잡한 시나리오를 효율적으로 처리합니다. 이 프레임워크에는 모델 학습, 예측 및 내보내기를 위한 포괄적인 모드가 포함되어 있습니다. YOLO의 앵커 프리(anchor-free) 감지 방식은 균열과 같이 불규칙한 모양에 대한 성능을 향상시킬 수 있으며, 성능은 표준 메트릭을 사용하여 측정할 수 있습니다.

Crack Segmentation Dataset을 인용하려면 어떻게 해야 하나요?

귀하의 연구에 이 데이터 세트를 사용하는 경우, 제작자에게 적절한 공로를 돌릴 수 있도록 위에 제공된 BibTeX 항목을 사용하여 인용해 주십시오.



📅 1년 전에 생성됨 ✏️ 5개월 전에 업데이트됨
glenn-jocher UltralyticsAssistant RizwanMunawar MatthewNoyce jk4e

댓글