Conjunto de dados de segmentação de fendas

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

Para treinar um modelo Ultralytics YOLO11 neste conjunto de dados, utilize os exemplos Python ou CLI fornecidos. Instruções e parâmetros detalhados estão disponíveis na página de treinamento do modelo. Pode gerir o seu processo de formação utilizando ferramentas como o Ultralytics HUB.

O Crack Segmentation Dataset, disponível no Roboflow Universe, é um recurso extenso concebido para indivíduos envolvidos em estudos de transportes e segurança pública. É também benéfico para o desenvolvimento de modelos de carros autónomos ou para a exploração de várias aplicações de visão computacional. Este conjunto de dados faz parte de uma coleção mais vasta disponível no Ultralytics Datasets Hub.

Ver: Segmentação de fissuras utilizando o Ultralytics YOLOv9.

Composto por 4029 imagens estáticas capturadas de diversos cenários de estradas e paredes, este conjunto de dados é um ativo valioso para tarefas de segmentação de fendas. Quer esteja a investigar infra-estruturas de transporte ou a tentar melhorar a precisão dos sistemas de condução autónoma, este conjunto de dados fornece uma coleção rica de imagens para treinar modelos de aprendizagem profunda.

Estrutura do conjunto de dados

O conjunto de dados de segmentação de fendas está organizado em três subconjuntos:

Conjunto de treino: 3717 imagens com anotações correspondentes.
Conjunto de teste: 112 imagens com anotações correspondentes.
Conjunto de validação: 200 imagens com anotações correspondentes.

Aplicações

A segmentação de fissuras tem aplicações práticas na manutenção de infra-estruturas, ajudando na identificação e avaliação de danos estruturais em edifícios, pontes e estradas. Também desempenha um papel crucial no aumento da segurança rodoviária, permitindo que os sistemas automatizados detectem fissuras no pavimento para reparações atempadas.

Em contextos industriais, a deteção de fissuras utilizando modelos de aprendizagem profunda como o Ultralytics YOLO11 ajuda a garantir a integridade do edifício na construção, evita tempos de paragem dispendiosos na produção e torna as inspecções rodoviárias mais seguras e eficazes. A identificação e classificação automática de fissuras permite que as equipas de manutenção priorizem as reparações de forma eficiente, contribuindo para uma melhor avaliação dos modelos.

Conjunto de dados YAML

A YAML (Yet Another Markup Language) define a configuração do conjunto de dados. Ele inclui detalhes sobre os caminhos, classes e outras informações relevantes do conjunto de dados. Para o conjunto de dados Crack Segmentation, o ficheiro crack-seg.yaml é mantido em 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

Utilização

Para treinar o modelo Ultralytics YOLO11n no conjunto de dados Crack Segmentation para 100 épocas com um tamanho de imagem de 640, utilize o seguinte Python a seguir. Consulte a página de documentação de treinamento do modelo para obter uma lista abrangente de argumentos e configurações disponíveis, como o ajuste de hiperparâmetros.

Exemplo de comboio

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

Dados de amostra e anotações

O conjunto de dados de segmentação de fissuras contém uma coleção diversificada de imagens captadas de várias perspectivas, mostrando diferentes tipos de fissuras em estradas e paredes. Eis alguns exemplos:

Imagem de amostra do conjunto de dados

Esta imagem demonstra a segmentação de instâncias, apresentando caixas delimitadoras anotadas com máscaras que delimitam fissuras identificadas. O conjunto de dados inclui imagens de diferentes locais e ambientes, o que o torna um recurso abrangente para o desenvolvimento de modelos robustos para esta tarefa. Técnicas como o aumento de dados podem aumentar ainda mais a diversidade do conjunto de dados. Saiba mais sobre segmentação e rastreio de instâncias no nosso guia.
O exemplo realça a diversidade do conjunto de dados Crack Segmentation, enfatizando a importância de dados de alta qualidade para treinar modelos de visão computacional eficazes.

Citações e agradecimentos

Se utilizar o conjunto de dados Crack Segmentation no seu trabalho de investigação ou desenvolvimento, cite a fonte de forma adequada. O conjunto de dados foi disponibilizado através do Roboflow:

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 },
}

Agradecemos à equipa da Roboflow a disponibilização do conjunto de dados Crack Segmentation, que constitui um recurso valioso para a comunidade de visão computacional, em particular para projectos relacionados com a segurança rodoviária e a avaliação de infra-estruturas.

FAQ

O que é o conjunto de dados de segmentação de fissuras?

O Crack Segmentation Dataset é uma coleção de 4029 imagens estáticas concebidas para estudos sobre transportes e segurança pública. É adequado para tarefas como o desenvolvimento de modelos de carros autónomos e a manutenção de infra-estruturas. Inclui conjuntos de treino, teste e validação para tarefas de deteção e segmentação de fissuras.

Como é que treino um modelo utilizando o conjunto de dados de segmentação de fendas com Ultralytics YOLO11 ?

Para formar um Ultralytics YOLO11 neste conjunto de dados, utilize os exemplos Python ou CLI fornecidos. Instruções e parâmetros detalhados estão disponíveis na página de treinamento do modelo. Pode gerir o seu processo de formação utilizando ferramentas como o Ultralytics HUB.

Exemplo de comboio

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

Porquê utilizar o Crack Segmentation Dataset para projectos de automóveis autónomos?

Este conjunto de dados é valioso para projectos de veículos autónomos devido às suas diversas imagens de estradas e paredes, abrangendo vários cenários do mundo real. Esta diversidade melhora a robustez dos modelos treinados para a deteção de fissuras, o que é crucial para a segurança rodoviária e a avaliação de infra-estruturas. As anotações pormenorizadas ajudam a desenvolver modelos que podem identificar com precisão os potenciais riscos rodoviários.

Que funcionalidades oferece Ultralytics YOLO para a segmentação de fissuras?

Ultralytics YOLO fornece capacidades de deteção, segmentação e classificação de objectos em tempo real, tornando-o altamente adequado para tarefas de segmentação de fendas. Lida eficazmente com grandes conjuntos de dados e cenários complexos. A estrutura inclui modos abrangentes para modelos de treinamento, previsão e exportação. A abordagem de deteção sem âncoras do YOLO pode melhorar o desempenho em formas irregulares, como fissuras, e o desempenho pode ser medido usando métricas padrão.