Overslaan naar inhoud

Roboflow Universum scheursegmentatie dataset

De Roboflow Crack Segmentation Dataset is een uitgebreide bron die speciaal is ontworpen voor mensen die zich bezighouden met transport en openbare veiligheidsstudies. Het is net zo nuttig voor mensen die werken aan de ontwikkeling van zelfrijdende automodellen of die eenvoudigweg computervisietoepassingen verkennen voor recreatieve doeleinden.

Deze dataset bestaat uit in totaal 4029 statische afbeeldingen van diverse weg- en muurscenario's en is een waardevolle aanwinst voor taken op het gebied van scheursegmentatie. Of je je nu verdiept in de fijne kneepjes van transportonderzoek of de nauwkeurigheid van je modellen voor zelfrijdende auto's wilt verbeteren, deze dataset biedt een rijke en gevarieerde verzameling afbeeldingen om je inspanningen te ondersteunen.

Structuur dataset

De verdeling van gegevens binnen de Crack Segmentation Dataset is als volgt:

  • Trainingsset: Bestaat uit 3717 afbeeldingen met bijbehorende annotaties.
  • Testset: Bestaat uit 112 afbeeldingen samen met hun respectievelijke annotaties.
  • Validatieset: Bevat 200 afbeeldingen met bijbehorende annotaties.

Toepassingen

Scheursegmentatie vindt praktische toepassingen in het onderhoud van de infrastructuur en helpt bij de identificatie en beoordeling van structurele schade. Het speelt ook een cruciale rol in het verbeteren van de verkeersveiligheid door geautomatiseerde systemen in staat te stellen scheuren in het wegdek te detecteren en aan te pakken voor tijdige reparaties.

Dataset YAML

Een YAML-bestand (Yet Another Markup Language) wordt gebruikt om de configuratie van de dataset te schetsen, met details over paden, klassen en andere relevante informatie. Specifiek voor de Crack Segmentation dataset is de crack-seg.yaml bestand wordt beheerd en is toegankelijk op https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

ultralytics/cfg/datasets/crack-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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

Gebruik

Om Ultralytics YOLOv8n model te trainen op de Crack Segmentation dataset voor 100 epochs met een afbeeldingsgrootte van 640, kun je de volgende codefragmenten gebruiken. Raadpleeg de pagina Model Training voor een uitgebreide lijst met beschikbare argumenten.

Voorbeeld trein

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=crack-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Voorbeeldgegevens en annotaties

De Crack Segmentation dataset bestaat uit een gevarieerde verzameling afbeeldingen en video's vastgelegd vanuit meerdere perspectieven. Hieronder staan voorbeelden van gegevens uit de dataset, vergezeld van hun respectievelijke annotaties:

Voorbeeldafbeelding dataset

  • Deze afbeelding toont een voorbeeld van segmentatie van beeldobjecten, met geannoteerde bounding boxes met maskers die geïdentificeerde objecten omlijnen. De dataset bevat een breed scala aan afbeeldingen die zijn genomen op verschillende locaties, in verschillende omgevingen en met verschillende dichtheden, waardoor het een uitgebreide bron is voor het ontwikkelen van modellen voor deze specifieke taak.

  • Het voorbeeld onderstreept de diversiteit en complexiteit van de Crack-segmentatiedataset en benadrukt de cruciale rol van gegevens van hoge kwaliteit in computervisietaken.

Citaten en erkenningen

Als je de dataset voor scheurgesegmenteerde barsten opneemt in je onderzoeks- of ontwikkelingsactiviteiten, verwijs dan naar het volgende document:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    howpublished = { \url{ https://universe.roboflow.com/university-bswxt/crack-bphdr } },
    url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
    journal = { Roboflow Universe },
    publisher = { Roboflow },
    year = { 2022 },
    month = { dec },
    note = { visited on 2024-01-23 },
}

We willen graag het Roboflow team bedanken voor het maken en onderhouden van de Crack Segmentation dataset als een waardevolle bron voor de verkeersveiligheid en onderzoeksprojecten. Ga voor meer informatie over de Crack Segmentation dataset en de makers ervan naar de Crack Segmentation Dataset Page.

FAQ

Wat is de Roboflow Crack Segmentation Dataset?

De Roboflow Crack Segmentation Dataset is een uitgebreide verzameling van 4029 statische afbeeldingen, speciaal ontworpen voor transport en studies naar openbare veiligheid. Het is ideaal voor taken zoals de ontwikkeling van zelfrijdende automodellen en het onderhoud van infrastructuur. De dataset bevat trainings-, test- en validatiesets, die helpen bij het nauwkeurig detecteren en segmenteren van scheuren.

Hoe train ik een model met de Crack Segmentation Dataset met Ultralytics YOLOv8 ?

Gebruik de volgende codefragmenten om een Ultralytics YOLOv8 model te trainen op de Crack Segmentation dataset. Gedetailleerde instructies en verdere parameters zijn te vinden op de pagina Model Training.

Voorbeeld trein

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=crack-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Waarom zou ik de Crack Segmentation Dataset gebruiken voor mijn zelfrijdende autoproject?

De Crack Segmentation Dataset is uitzonderlijk geschikt voor zelfrijdende autoprojecten vanwege de diverse collectie van 4029 weg- en muurbeelden, die een gevarieerd scala aan scenario's bieden. Deze diversiteit verbetert de nauwkeurigheid en robuustheid van modellen die zijn getraind voor het detecteren van scheuren, wat cruciaal is voor het handhaven van de verkeersveiligheid en het tijdig repareren van de infrastructuur.

Welke unieke functies biedt Ultralytics YOLO voor scheursegmentatie?

Ultralytics YOLO biedt geavanceerde realtime objectdetectie, segmentatie en classificatiemogelijkheden, waardoor het ideaal is voor barstsegmentatietaken. Het vermogen om grote datasets en complexe scenario's te verwerken zorgt voor een hoge nauwkeurigheid en efficiëntie. De modi Training, Predict en Export van het model bieden bijvoorbeeld uitgebreide functionaliteit van training tot gebruik.

Hoe citeer ik de Roboflow Crack Segmentation Dataset in mijn onderzoeksartikel?

Als je de Crack Segmentation Dataset in je onderzoek opneemt, gebruik dan de volgende BibTeX referentie:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    howpublished = { \url{ https://universe.roboflow.com/university-bswxt/crack-bphdr } },
    url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
    journal = { Roboflow Universe },
    publisher = { Roboflow },
    year = { 2022 },
    month = { dec },
    note = { visited on 2024-01-23 },
}

Dit citatieformaat zorgt voor de juiste erkenning van de makers van de dataset en erkent het gebruik ervan in je onderzoek.



Gemaakt op 2024-01-25, Bijgewerkt op 2024-07-04
Auteurs: glenn-jocher (4), RizwanMunawar (1)

Reacties