Roboflow Набор данных для сегментации трещин во вселенной

Q: What is the Roboflow Crack Segmentation Dataset?

Набор данных Roboflow Crack Segmentation Dataset - это обширная коллекция из 4029 статичных изображений, созданная специально для исследований в области транспорта и общественной безопасности. Она идеально подходит для таких задач, как разработка моделей самоуправляемых автомобилей и обслуживание инфраструктуры. Набор данных включает в себя обучающие, тестовые и проверочные наборы, помогающие точно обнаруживать и сегментировать трещины.

Сайт Roboflow Crack Segmentation Dataset - это обширный ресурс, созданный специально для тех, кто занимается изучением транспорта и общественной безопасности. Он также полезен для тех, кто работает над созданием моделей самоуправляемых автомобилей или просто изучает приложения компьютерного зрения в развлекательных целях.

Состоящий из 4029 статических изображений, полученных на различных дорогах и стенах, этот набор данных представляет собой ценный ресурс для решения задач, связанных с сегментацией трещин. Вникаете ли вы в тонкости транспортных исследований или стремитесь повысить точность моделей самоуправляемых автомобилей, этот набор данных предоставляет богатую и разнообразную коллекцию изображений для поддержки ваших начинаний.

Структура набора данных

Данные в наборе данных Crack Segmentation Dataset распределены следующим образом:

Обучающий набор: Состоит из 3717 изображений с соответствующими аннотациями.
Набор для тестирования: Состоит из 112 изображений с соответствующими аннотациями.
Валидационный набор: Включает 200 изображений с соответствующими аннотациями.

Приложения

Сегментация трещин находит практическое применение в обслуживании инфраструктуры, помогая выявлять и оценивать структурные повреждения. Она также играет важную роль в повышении безопасности дорожного движения, позволяя автоматизированным системам обнаруживать и устранять трещины на дорожном покрытии для своевременного ремонта.

Набор данных YAML

Для описания конфигурации набора данных используется файл YAML (Yet Another Markup Language), содержащий сведения о путях, классах и другую необходимую информацию. В частности, для набора данных "Сегментация трещин" используется файл crack-seg.yaml файл управляется и доступен по адресу 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

Использование

Для обучения модели Ultralytics YOLO11n на наборе данных Crack Segmentation в течение 100 эпох при размере изображения 640 можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

Пример поезда

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

Образцы данных и аннотации

Набор данных Crack Segmentation состоит из разнообразной коллекции изображений и видео, снятых с разных точек зрения. Ниже приведены примеры данных из этого набора, сопровождаемые соответствующими аннотациями:

Образец изображения из набора данных

На этом изображении представлен пример сегментации объектов изображения: аннотированные ограничительные рамки с масками, очерчивающими идентифицированные объекты. Набор данных включает в себя разнообразные изображения, сделанные в разных местах, в разных условиях и с разной плотностью, что делает его всеобъемлющим ресурсом для разработки моделей, предназначенных для решения этой конкретной задачи.
Этот пример подчеркивает разнообразие и сложность наборов данных по сегментации трещин, подчеркивая важнейшую роль высококачественных данных в задачах компьютерного зрения.

Цитаты и благодарности

Если вы используете набор данных для сегментации трещин в своих исследованиях или разработках, пожалуйста, ссылайтесь на следующий документ:

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 },
}

Мы хотели бы выразить признательность команде Roboflow за создание и поддержку набора данных о сегментации трещин, который является ценным ресурсом для проектов по безопасности дорожного движения и исследований. Более подробную информацию о наборе данных Crack Segmentation и его создателях можно найти на странице Crack Segmentation Dataset.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое набор данных Roboflow Crack Segmentation Dataset?

Набор данныхRoboflow Crack Segmentation Dataset - это обширная коллекция из 4029 статичных изображений, созданная специально для исследований в области транспорта и общественной безопасности. Она идеально подходит для таких задач, как разработка моделей самоуправляемых автомобилей и обслуживание инфраструктуры. Набор данных включает в себя обучающие, тестовые и проверочные наборы, помогающие точно обнаруживать и сегментировать трещины.

Как обучить модель на наборе данных для сегментации трещин с помощью Ultralytics YOLO11 ?

Чтобы обучить модель Ultralytics YOLO11 на наборе данных Crack Segmentation, воспользуйтесь следующими фрагментами кода. Подробные инструкции и дополнительные параметры можно найти на странице обучения модели.

Пример поезда

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

Почему я должен использовать набор данных Crack Segmentation Dataset для своего проекта по созданию самоуправляемого автомобиля?

Набор данных Crack Segmentation Dataset исключительно подходит для проектов по созданию самоуправляемых автомобилей благодаря разнообразной коллекции из 4029 изображений дорог и стен, которые представляют собой различные сценарии. Такое разнообразие повышает точность и устойчивость моделей, обученных для обнаружения трещин, что крайне важно для поддержания безопасности дорожного движения и обеспечения своевременного ремонта инфраструктуры.

Какие уникальные возможности предлагает Ultralytics YOLO для сегментации трещин?

Ultralytics YOLO предлагает расширенные возможности обнаружения, сегментации и классификации объектов в режиме реального времени, что делает его идеальным для задач сегментации трещин. Его способность обрабатывать большие массивы данных и сложные сценарии обеспечивает высокую точность и эффективность. Например, режимы обучения, прогнозирования и экспорта модели охватывают все функциональные возможности от обучения до развертывания.

Как сослаться на набор данных Roboflow Crack Segmentation Dataset в своей научной работе?

Если вы используете набор данных Crack Segmentation Dataset в своих исследованиях, пожалуйста, используйте следующую ссылку BibTeX: