Link to this sectionНабор данных для сегментации трещин#

Набор данных для сегментации трещин — это обширный ресурс, разработанный для специалистов, занимающихся исследованиями в области транспорта и общественной безопасности. Он также полезен для разработки моделей беспилотных автомобилей или изучения различных приложений в сфере компьютерного зрения. Этот набор данных является частью более широкой коллекции, доступной в Datasets Hub от Ultralytics.

Состоящий из 4029 статических изображений, полученных в различных дорожных условиях и на фоне стен, этот набор данных является ценным активом для задач сегментации трещин. Независимо от того, исследуешь ли ты транспортную инфраструктуру или стремишься повысить точность систем автономного вождения, этот набор данных предоставляет богатую коллекцию изображений для обучения моделей глубинного обучения.

Link to this sectionСтруктура набора данных#

Набор данных для сегментации трещин организован в три подмножества:

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

Link to this sectionПрименение#

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 зданий при строительстве, предотвращает дорогостоящие простои в производстве и делает дорожные инспекции более безопасными и эффективными. Автоматическая идентификация и классификация трещин позволяют ремонтным бригадам эффективно расставлять приоритеты при проведении восстановительных работ, что способствует получению более глубоких инсайтов при оценке моделей.

Link to this sectionYAML набора данных#

Файл YAML (Yet Another Markup Language) определяет конфигурацию набора данных. Он включает подробную информацию о путях к данным, классах и прочую соответствующую информацию. Для набора данных Crack Segmentation файл crack-seg.yaml поддерживается 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

Link to this sectionИспользование#

Чтобы обучить модель Ultralytics YOLO26n-seg на наборе данных Crack Segmentation в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода Python или CLI. Обратись к странице документации по обучению моделей, чтобы получить полный список 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')

Link to this sectionПримеры данных и разметки#

Набор данных для сегментации трещин содержит разнообразную коллекцию изображений, сделанных с разных ракурсов и демонстрирующих различные типы трещин на дорогах и стенах. Вот несколько примеров:

• Этот пример демонстрирует сегментацию экземпляров, показывая аннотированные ограничивающие рамки с масками, выделяющими обнаруженные трещины. Набор данных включает изображения из разных локаций и сред, что делает его комплексным ресурсом для разработки надежных моделей для данной задачи. Такие методы, как аугментация данных, могут еще больше повысить разнообразие набора данных. Узнай больше о сегментации экземпляров и трекинге в нашем руководстве.

• Пример подчеркивает разнообразие внутри набора данных Crack Segmentation, акцентируя внимание на важности качественных данных для обучения эффективных моделей компьютерного зрения.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных Crack Segmentation в своих исследованиях или разработках, пожалуйста, укажи соответствующий источник:

@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 набора данных Crack Segmentation, который является ценным ресурсом для сообщества специалистов по компьютерному зрению, особенно для проектов, связанных с безопасностью дорожного движения и оценкой инфраструктуры.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных для сегментации трещин?#

Набор данных для сегментации трещин представляет собой коллекцию из 4029 статических изображений, предназначенных 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.

Link to this sectionКак мне обучить модель, используя набор данных для сегментации трещин с помощью Ultralytics YOLO26?#

Чтобы обучить модель Ultralytics YOLO26 на этом наборе данных, используй предоставленные примеры для Python или CLI. Подробные инструкции и параметры доступны на странице обучения модели. Ты можешь управлять процессом обучения, используя такие инструменты, 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)

Link to this sectionЗачем использовать набор данных для сегментации трещин в проектах беспилотных автомобилей?#

Этот набор данных ценен для проектов беспилотных автомобилей благодаря разнообразным изображениям дорог и стен, охватывающим различные реальные сценарии. Это разнообразие повышает надежность моделей, обученных для обнаружения трещин, что критически важно для безопасности дорожного движения и оценки инфраструктуры. Детальные аннотации помогают в разработке моделей, способных точно идентифицировать потенциальные дорожные опасности.

Link to this sectionКакие возможности предлагает Ultralytics YOLO для сегментации трещин?#

Ultralytics YOLO обеспечивает возможности обнаружения объектов, сегментации и классификации в реальном времени, что делает его высокоэффективным для задач сегментации трещин. Он эффективно обрабатывает большие наборы данных и сложные сценарии. Фреймворк включает комплексные режимы для обучения, прогнозирования и экспорта моделей. Подход YOLO к обнаружению без анкоров может улучшить производительность на объектах неправильной формы, таких как трещины, а производительность можно измерить с помощью стандартных метрик.

Link to this sectionКак мне сослаться на набор данных для сегментации трещин?#

Если ты используешь этот набор данных в своей работе, пожалуйста, сошлися на него, используя приведенную выше запись BibTeX, чтобы отдать должное авторам.