Roboflow Conjunto de dados de segmentação de fendas do universo

O Roboflow Crack Segmentation Dataset destaca-se como um recurso extenso concebido especificamente para indivíduos envolvidos em estudos de transportes e segurança pública. É igualmente benéfico para aqueles que trabalham no desenvolvimento de modelos de carros autónomos ou simplesmente exploram aplicações de visão computacional para fins recreativos.

Composto por um total de 4029 imagens estáticas capturadas de diversos cenários de estradas e paredes, este conjunto de dados surge como um recurso valioso para tarefas relacionadas com a segmentação de fendas. Quer estejas a mergulhar nos meandros da investigação sobre transportes ou a tentar melhorar a precisão dos teus modelos de carros autónomos, este conjunto de dados fornece uma coleção rica e variada de imagens para apoiar os teus esforços.

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 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

Para treinar o modelo Ultralytics YOLOv8n no conjunto de dados Crack Segmentation para 100 épocas com um tamanho de imagem de 640, podes utilizar os seguintes snippets de código. Para obter uma lista abrangente dos argumentos disponíveis, consulta a página de treino do modelo.

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

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:

• 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:

@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.

Como é que treino um modelo utilizando o conjunto de dados de segmentação de fendas com Ultralytics YOLOv8 ?

Para treinar um modelo Ultralytics YOLOv8 no conjunto de dados Segmentação de rachaduras, use os seguintes trechos de código. Instruções detalhadas e outros parâmetros podem ser encontrados na página Treinamento do modelo.

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

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 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.

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:

@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 },
}

Este formato de citação garante a devida acreditação dos criadores do conjunto de dados e reconhece a sua utilização na tua investigação.

Comentários