Датасет сегментации трещин

Датасет сегментации трещин — это обширный ресурс, разработанный для специалистов в области транспорта и общественной безопасности. Он также полезен для разработки моделей беспилотных автомобилей или изучения различных приложений компьютерного зрения. Этот датасет является частью коллекции, доступной в Datasets Hub от Ultralytics.

Этот датасет, состоящий из 4029 статических изображений, полученных в различных дорожных и строительных условиях, является ценным ресурсом для задач сегментации трещин. Независимо от того, исследуешь ли ты транспортную инфраструктуру или стремишься повысить точность систем автономного вождения, этот датасет предоставляет богатую коллекцию изображений для обучения моделей глубинного обучения.

Структура набора данных

Датасет сегментации трещин организован в три подмножества:

• Обучающая выборка: 3717 изображений с соответствующими аннотациями.
• Тестовая выборка: 112 изображений с соответствующими аннотациями.
• Валидационная выборка: 200 изображений с соответствующими аннотациями.

Приложения

Сегментация трещин находит практическое применение в обслуживании инфраструктуры, помогая в выявлении и оценке структурных повреждений зданий, мостов и дорог. Она также играет решающую роль в повышении безопасности дорожного движения, позволяя автоматизированным системам обнаруживать трещины в дорожном покрытии для своевременного ремонта.

В промышленных условиях обнаружение трещин с помощью моделей глубинного обучения, таких как Ultralytics YOLO26, помогает обеспечить целостность конструкций при строительстве, предотвращает дорогостоящие простои в производстве, а также делает дорожные инспекции более безопасными и эффективными. Автоматическая идентификация и классификация трещин позволяют командам по обслуживанию эффективно расставлять приоритеты при проведении ремонтных работ, способствуя лучшему пониманию результатов оценки модели.

YAML набора данных

Файл YAML (Yet Another Markup Language) определяет конфигурацию датасета. Он включает подробную информацию о путях к данным, классах и другую соответствующую информацию. Для датасета Crack Segmentation файл crack-seg.yaml находится по адресу 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

Использование

Чтобы обучить модель Ultralytics YOLO26n-seg на датасете Crack Segmentation в течение 100 эпох с размером изображения 640, используй следующие фрагменты Python или CLI. Обратись к странице документации по обучению моделей для получения полного списка доступных аргументов и конфигураций, таких как настройка гиперпараметров.

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')

Примеры данных и аннотаций

Датасет сегментации трещин содержит разнообразную коллекцию изображений, снятых с разных ракурсов и демонстрирующих различные типы трещин на дорогах и стенах. Вот несколько примеров:

• Это изображение демонстрирует сегментацию экземпляров, включая аннотированные ограничивающие рамки с масками, очерчивающими выявленные трещины. Датасет включает изображения из разных мест и сред, что делает его комплексным ресурсом для разработки надежных моделей для этой задачи. Такие методы, как аугментация данных, могут дополнительно повысить разнообразие данных. Узнай больше о сегментации экземпляров и отслеживании в нашем руководстве.

• Этот пример подчеркивает разнообразие внутри датасета Crack Segmentation, указывая на важность высококачественных данных для обучения эффективных моделей компьютерного зрения.

Цитирование и благодарности

Если ты используешь датасет Crack Segmentation в своей исследовательской работе или разработке, пожалуйста, укажи источник соответствующим образом:

@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 },
}

Мы благодарим команду Roboflow за предоставление датасета Crack Segmentation, что является ценным ресурсом для сообщества компьютерного зрения, особенно для проектов, связанных с безопасностью дорожного движения и оценкой инфраструктуры.

Часто задаваемые вопросы (FAQ)

Что такое датасет сегментации трещин?

Датасет сегментации трещин — это коллекция из 4029 статических изображений, разработанная для исследований в области транспорта и общественной безопасности. Он подходит для таких задач, как разработка моделей беспилотных автомобилей и обслуживание инфраструктуры. Он включает обучающую, тестовую и валидационную выборки для задач обнаружения и сегментации трещин.

Как обучить модель с использованием датасета сегментации трещин с помощью Ultralytics YOLO26?

Для обучения модели Ultralytics YOLO26 на этом датасете используй предоставленные примеры на Python или CLI. Подробные инструкции и параметры доступны на странице обучения модели. Ты можешь управлять процессом обучения с помощью таких инструментов, как платформа 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)

Зачем использовать датасет сегментации трещин для проектов беспилотных автомобилей?

Этот датасет ценен для проектов беспилотных автомобилей благодаря разнообразным изображениям дорог и стен, охватывающим различные реальные сценарии. Это разнообразие повышает устойчивость моделей, обученных для обнаружения трещин, что крайне важно для безопасности дорожного движения и оценки инфраструктуры. Подробные аннотации помогают в разработке моделей, способных точно идентифицировать потенциальные дорожные угрозы.

Какие возможности предлагает Ultralytics YOLO для сегментации трещин?

Ultralytics YOLO обеспечивает обнаружение объектов в реальном времени, а также функции сегментации и классификации, что делает его очень подходящим для задач сегментации трещин. Он эффективно обрабатывает большие объемы данных и сложные сценарии. Фреймворк включает комплексные режимы для обучения, предсказания и экспорта моделей. Подход YOLO с безякорным обнаружением может улучшить производительность на объектах неправильной формы, таких как трещины, а показатели эффективности можно оценить с помощью стандартных метрик.

Как сослаться на датасет сегментации трещин?

Если ты используешь этот датасет в своей работе, пожалуйста, сошлися на него, используя предоставленную выше запись BibTeX, чтобы выразить надлежащую благодарность создателям.