Roboflow Conjunto de dados de segmentação de fendas do universo

Q: What unique features does Ultralytics YOLO offer for crack segmentation?

Ultralytics YOLO oferece capacidades avançadas de deteção, segmentação e classificação de objectos em tempo real que o tornam ideal para tarefas de segmentação de fendas. A sua capacidade de lidar com grandes conjuntos de dados e cenários complexos garante uma elevada precisão e eficiência. Por exemplo, os modos de Formação, Previsão e Exportação do modelo cobrem funcionalidades abrangentes desde a formação até à implementação.

The Roboflow Crack Segmentation Dataset stands out as an extensive resource designed specifically for individuals involved in transportation and public safety studies. It is equally beneficial for those working on the development of self-driving car models or simply exploring computer vision applications for recreational purposes.

Comprising a total of 4029 static images captured from diverse road and wall scenarios, this dataset emerges as a valuable asset for tasks related to crack segmentation. Whether you are delving into the intricacies of transportation research or seeking to enhance the accuracy of your self-driving car models, this dataset provides a rich and varied collection of images to support your endeavors.

Estrutura do conjunto de dados

A divisão dos dados no Crack Segmentation Dataset é descrita da seguinte forma:

Conjunto de treino: Consiste em 3717 imagens com anotações correspondentes.
Conjunto de teste: Compreende 112 imagens juntamente com as suas respectivas anotações.
Conjunto de validação: Inclui 200 imagens com as anotações correspondentes.

Aplicações

A segmentação de fissuras tem aplicações práticas na manutenção de infra-estruturas, ajudando na identificação e avaliação de danos estruturais. Desempenha também um papel crucial no reforço da segurança rodoviária, permitindo que os sistemas automatizados detectem e tratem as fissuras no pavimento para reparações atempadas.

Conjunto de dados YAML

Um arquivo YAML (Yet Another Markup Language) é empregado para delinear a configuração do conjunto de dados, abrangendo detalhes sobre caminhos, classes e outras informações pertinentes. Especificamente, para o conjunto de dados Crack Segmentation (Segmentação de crack), o arquivo crack-seg.yaml é gerido e acessível em 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

Utilização

To train Ultralytics YOLO11n model on the Crack Segmentation dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

Exemplo de comboio

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Dados de amostra e anotações

O conjunto de dados Crack Segmentation inclui uma coleção variada de imagens e vídeos capturados a partir de múltiplas perspectivas. Abaixo estão exemplos de dados do conjunto de dados, acompanhados das respectivas anotações:

Imagem de amostra do conjunto de dados

Esta imagem apresenta um exemplo de segmentação de objectos de imagem, com caixas delimitadoras anotadas com máscaras que delimitam os objectos identificados. O conjunto de dados inclui um conjunto diversificado de imagens captadas em diferentes locais, ambientes e densidades, o que o torna um recurso abrangente para o desenvolvimento de modelos concebidos para esta tarefa específica.
O exemplo sublinha a diversidade e a complexidade encontradas no conjunto de dados de segmentação da fenda, realçando o papel crucial dos dados de alta qualidade nas tarefas de visão por computador.

Citações e agradecimentos

Se incorporares o conjunto de dados de segmentação de fissuras nos teus esforços de investigação ou desenvolvimento, faz referência ao seguinte documento:

BibTeX

@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 },
}

Gostaríamos de agradecer à equipa do Roboflow por criar e manter o conjunto de dados de segmentação de fendas como um recurso valioso para a segurança rodoviária e projectos de investigação. Para mais informações sobre o conjunto de dados de segmentação de fendas e os seus criadores, visita a página do conjunto de dados de segmentação de fendas.

FAQ

O que é o Roboflow Crack Segmentation Dataset?

O Roboflow Crack Segmentation Dataset é uma coleção abrangente de 4029 imagens estáticas concebidas especificamente para estudos sobre transportes e segurança pública. É ideal para tarefas como o desenvolvimento de modelos de carros autónomos e a manutenção de infra-estruturas. O conjunto de dados inclui conjuntos de treinamento, teste e validação, auxiliando na deteção e segmentação precisas de rachaduras.

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

To train an Ultralytics YOLO11 model on the Crack Segmentation dataset, use the following code snippets. Detailed instructions and further parameters can be found on the model Training page.

Exemplo de comboio

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Por que razão devo utilizar o Crack Segmentation Dataset para o meu projeto de carro autónomo?

O Crack Segmentation Dataset é excecionalmente adequado para projectos de carros autónomos devido à sua coleção diversificada de 4029 imagens de estradas e paredes, que fornecem uma gama variada de cenários. Esta diversidade aumenta a precisão e a robustez dos modelos treinados para a deteção de fissuras, crucial para manter a segurança rodoviária e garantir reparações atempadas das infra-estruturas.

Que características únicas oferece o Ultralytics YOLO para a segmentação de fissuras?

Ultralytics YOLO offers advanced real-time object detection, segmentation, and classification capabilities that make it ideal for crack segmentation tasks. Its ability to handle large datasets and complex scenarios ensures high accuracy and efficiency. For example, the model Training, Predict, and Export modes cover comprehensive functionalities from training to deployment.

Como é que cito o Roboflow Crack Segmentation Dataset no meu trabalho de investigação?

Se incorporares o Crack Segmentation Dataset na tua investigação, utiliza a seguinte referência BibTeX: