Conjunto de Dados de Segmentação de Rachaduras
O Conjunto de Dados de Segmentação de Rachaduras é um recurso abrangente projetado para indivíduos envolvidos em estudos de transporte e segurança pública. Também é útil para desenvolver modelos de carros autônomos ou explorar várias aplicações de visão computacional. Este conjunto de dados faz parte de uma coleção mais ampla disponível no Ultralytics Datasets Hub.
Assista: Segmentação de fissuras usando Ultralytics YOLOv9.
Composto por 4029 imagens estáticas capturadas de diversos cenários de estradas e paredes, este conjunto de dados é um recurso valioso para tarefas de segmentação de rachaduras. Seja você pesquisando infraestrutura de transporte ou buscando aprimorar a precisão de sistemas de direção autônoma, este conjunto de dados fornece uma rica coleção de imagens para treinar modelos de aprendizado profundo.
Estrutura do Conjunto de Dados
O Dataset de Segmentação de Rachaduras é organizado em três subconjuntos:
- Conjunto de treinamento: 3717 imagens com anotações correspondentes.
- Conjunto de testes: 112 imagens com anotações correspondentes.
- Conjunto de validação: 200 imagens com anotações correspondentes.
Aplicações
A segmentação de fissuras encontra aplicações práticas na manutenção de infraestruturas, auxiliando na identificação e avaliação de danos estruturais em edifícios, pontes e estradas. Também desempenha um papel crucial no aprimoramento da segurança rodoviária, permitindo que sistemas automatizados detectem rachaduras no pavimento para reparos oportunos.
Em ambientes industriais, a deteção de fissuras utilizando modelos de deep learning como Ultralytics YOLO26 ajuda a garantir a integridade das construções, previne paragens dispendiosas na produção e torna as inspeções 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 melhores insights de avaliação do modelo.
YAML do Conjunto de Dados
A YAML Um arquivo (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 de Segmentação de Rachaduras, o crack-seg.yaml arquivo 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 (91.6 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
Utilização
Para treinar o modelo Ultralytics YOLO26n-seg no conjunto de dados de Segmentação de Fissuras por 100 épocas com um tamanho de imagem de 640, utilize os seguintes snippets de Python ou CLI. Consulte a página de documentação de Treinamento do modelo para uma lista abrangente de argumentos e configurações disponíveis, como otimização de hiperparâmetros.
Exemplo de Treinamento
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')
# 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=yolo26n-seg.pt epochs=100 imgsz=640
Dados de Amostra e Anotações
O dataset de Segmentação de Rachaduras contém uma coleção diversificada de imagens capturadas de várias perspectivas, mostrando diferentes tipos de rachaduras em estradas e paredes. Aqui estão alguns exemplos:
Esta imagem demonstra a segmentação de instâncias, 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 desenvolver modelos robustos para esta tarefa. Técnicas como aumento de dados podem aprimorar ainda mais a diversidade do conjunto de dados. Saiba mais sobre segmentação e rastreamento de instâncias 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 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 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 rodoviária e avaliação de infraestrutura.
FAQ
O que é o Dataset de Segmentação de Fissuras?
O Dataset 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 de rachaduras e segmentação.
Como posso treinar um modelo utilizando o Conjunto de Dados de Segmentação de Fissuras com Ultralytics YOLO26?
Para treinar um modelo Ultralytics YOLO26 neste conjunto de dados, utilize os exemplos fornecidos em Python ou CLI. Instruções detalhadas e parâmetros estão disponíveis na página de Treinamento do modelo. Pode gerir o seu processo de treinamento utilizando ferramentas como a Plataforma Ultralytics.
Exemplo de Treinamento
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)
# Start training from a pretrained model via CLI
yolo segment train data=crack-seg.yaml model=yolo26n-seg.pt epochs=100 imgsz=640
Por 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 rodoviária e avaliação de infraestrutura. As anotações detalhadas auxiliam no desenvolvimento de modelos que podem identificar com precisão potenciais perigos nas estradas.
Quais recursos o Ultralytics YOLO oferece para segmentação de fissuras?
O YOLO da Ultralytics fornece recursos de detecção de objetos, segmentação e classificação em tempo real, tornando-o altamente adequado para tarefas de segmentação de fissuras. Ele lida eficientemente com grandes conjuntos de dados e cenários complexos. A estrutura inclui modos abrangentes para Treinamento, Previsão e Exportação de modelos. A abordagem de detecção sem âncoras do YOLO pode melhorar o desempenho em formas irregulares como fissuras, e o desempenho pode ser medido usando métricas padrão.
Como cito o Dataset de Segmentação de Rachaduras?
Se você usar este conjunto de dados em seu trabalho, cite-o usando a entrada BibTeX fornecida acima para dar o crédito apropriado aos criadores.
