Link to this sectionConjunto de dados de segmentação de rachaduras#

O conjunto de dados de segmentação de rachaduras é um recurso extenso projetado para indivíduos envolvidos em estudos de transporte e segurança pública. Também é benéfico para desenvolver modelos de carros autônomos ou explorar várias aplicações de visão computacional. Este conjunto de dados faz parte da coleção mais ampla disponível no Datasets Hub da Ultralytics.

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 rachaduras. Esteja você pesquisando infraestrutura de transporte ou buscando melhorar a precisão de sistemas de direção autônoma, este conjunto de dados fornece uma rica coleção de imagens para treinar modelos de aprendizado profundo.

Link to this sectionEstrutura do Dataset#

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

• Conjunto de treinamento: 3717 imagens com as respectivas anotações.
• Conjunto de teste: 200 imagens com as respectivas anotações.
• Conjunto de validação: 112 imagens com as respectivas anotações.

Link to this sectionAplicações#

A segmentação de rachaduras encontra aplicações práticas na manutenção de infraestrutura, auxiliando na identificação e avaliação de danos estruturais em edifícios, pontes e estradas. Também desempenha um papel crucial na melhoria da segurança viária, permitindo que sistemas automatizados detectem rachaduras no pavimento para reparos oportunos.

Em ambientes industriais, a detecção de rachaduras usando modelos de aprendizado profundo como Ultralytics YOLO26 ajuda a garantir a integridade dos edifícios na construção, evita paradas caras na manufatura e torna as inspeções de estradas mais seguras e eficazes. Identificar e classificar rachaduras automaticamente permite que as equipes de manutenção priorizem reparos com eficiência, contribuindo para melhores insights de avaliação de modelo.

Link to this sectionYAML do Dataset#

Um arquivo YAML (Yet Another Markup Language) define a configuração do conjunto de dados. Ele inclui detalhes sobre os caminhos do conjunto de dados, classes e outras informações relevantes. Para o conjunto de dados de segmentação de rachaduras, o arquivo crack-seg.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/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

Link to this sectionUso#

Para treinar o modelo Ultralytics YOLO26n-seg no conjunto de dados de segmentação de rachaduras por 100 épocas com um tamanho de imagem de 640, use os seguintes snippets de Python ou CLI. Consulte a página de documentação de Treinamento do modelo para obter uma lista abrangente de argumentos e configurações disponíveis, como ajuste de hiperparâmetros.

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')

Link to this sectionDados de Amostra e Anotações#

O conjunto de dados de segmentação de rachaduras contém uma coleção diversificada de imagens capturadas de várias perspectivas, exibindo diferentes tipos de rachaduras em estradas e paredes. Aqui estão alguns exemplos:

• Esta imagem demonstra segmentação de instância, apresentando caixas delimitadoras anotadas com máscaras delineando rachaduras identificadas. O conjunto de dados inclui imagens de diferentes locais e ambientes, tornando-o um recurso abrangente para o desenvolvimento de modelos robustos para essa tarefa. Técnicas como aumento de dados podem aumentar ainda mais a diversidade do conjunto de dados. Saiba mais sobre segmentação de instância e rastreamento em nosso guia.

• O exemplo destaca a diversidade dentro do conjunto de dados de segmentação de rachaduras, enfatizando a importância de dados de alta qualidade para o treinamento de modelos de visão computacional eficazes.

Link to this sectionCitações e Agradecimentos#

Se você usar o conjunto de dados de segmentação de rachaduras em seu trabalho de pesquisa ou desenvolvimento, cite a fonte adequadamente:

@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 },
}

Agradecemos à equipe da Roboflow por disponibilizar o conjunto de dados de segmentação de rachaduras, fornecendo um recurso valioso para a comunidade de visão computacional, particularmente para projetos relacionados à segurança viária e avaliação de infraestrutura.

Link to this sectionFAQ#

Link to this sectionO que é o conjunto de dados de segmentação de rachaduras?#

O conjunto de dados de segmentação de rachaduras é uma coleção de 4029 imagens estáticas projetadas para estudos de transporte e segurança pública. É adequado para tarefas como desenvolvimento de modelos de carros autônomos e manutenção de infraestrutura. Inclui conjuntos de treinamento, teste e validação para tarefas de detecção e segmentação de rachaduras.

Link to this sectionComo treino um modelo usando o conjunto de dados de segmentação de rachaduras com Ultralytics YOLO26?#

Para treinar um modelo Ultralytics YOLO26 neste conjunto de dados, use os exemplos fornecidos em Python ou CLI. Instruções detalhadas e parâmetros estão disponíveis na página de Treinamento do modelo. Você pode gerenciar seu processo de treinamento usando ferramentas como a Plataforma Ultralytics.

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)

Link to this sectionPor que usar o conjunto de dados de segmentação de rachaduras para projetos de carros autônomos?#

Este conjunto de dados é valioso para projetos de carros autônomos devido às suas diversas imagens de estradas e paredes, cobrindo vários cenários do mundo real. Essa diversidade melhora a robustez dos modelos treinados para detecção de rachaduras, o que é crucial para a segurança viária e avaliação de infraestrutura. As anotações detalhadas auxiliam no desenvolvimento de modelos que podem identificar com precisão possíveis riscos nas estradas.

Link to this sectionQuais recursos o Ultralytics YOLO oferece para segmentação de rachaduras?#

O Ultralytics YOLO oferece recursos de detecção de objetos, segmentação e classificação em tempo real, tornando-o altamente adequado para tarefas de segmentação de rachaduras. Ele lida com eficiência com grandes conjuntos de dados e cenários complexos. A estrutura inclui modos abrangentes para Treinamento, Predição e Exportação de modelos. A abordagem de detecção sem âncoras do YOLO pode melhorar o desempenho em formas irregulares como rachaduras, e o desempenho pode ser medido usando métricas padrão.

Link to this sectionComo cito o conjunto de dados de segmentação de rachaduras?#

Se estiver usando este conjunto de dados em seu trabalho, cite-o usando a entrada BibTeX fornecida acima para dar o devido crédito aos criadores.