Перейти к содержанию

Набор данных для сегментации трещин

Открыть набор данных сегментации трещин в Colab

Набор данных Crack Segmentation Dataset, доступный на Roboflow Universe, является обширным ресурсом, предназначенным для лиц, занимающихся исследованиями в области транспорта и общественной безопасности. Он также полезен для разработки моделей самоуправляемых автомобилей или изучения различных приложений компьютерного зрения. Этот набор данных является частью более широкой коллекции, доступной в Datasets Hub от Ultralytics.



Смотреть: Сегментация трещин с использованием Ultralytics YOLOv9.

Этот набор данных, включающий 4029 статических изображений, полученных в различных дорожных и настенных сценариях, является ценным активом для задач сегментации трещин. Независимо от того, проводите ли вы исследования транспортной инфраструктуры или стремитесь повысить точность систем автономного вождения, этот набор данных предоставляет богатую коллекцию изображений для обучения моделей глубокого обучения.

Структура набора данных

Набор данных Crack Segmentation Dataset организован в три подмножества:

  • Обучающий набор: 3717 изображений с соответствующими аннотациями.
  • Набор для тестирования: 112 изображений с соответствующими аннотациями.
  • Набор для валидации: 200 изображений с соответствующими аннотациями.

Приложения

Сегментация трещин находит практическое применение в обслуживании инфраструктуры, помогая в выявлении и оценке структурных повреждений в зданиях, мостах и дорогах. Она также играет решающую роль в повышении безопасности дорожного движения, позволяя автоматизированным системам обнаруживать трещины дорожного покрытия для своевременного ремонта.

В промышленных условиях обнаружение трещин с использованием моделей глубокого обучения, таких как Ultralytics YOLO11, помогает обеспечить целостность зданий в строительстве, предотвращает дорогостоящие простои в производстве и делает проверки дорог более безопасными и эффективными. Автоматическая идентификация и классификация трещин позволяет бригадам технического обслуживания эффективно приоритизировать ремонт, что способствует улучшению анализа оценки модели.

YAML-файл набора данных

A YAML (Yet Another Markup Language) файл определяет конфигурацию набора данных. Он включает в себя подробную информацию о путях к набору данных, классах и другую важную информацию. Для набора данных Crack Segmentation, crack-seg.yaml файл поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

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 YOLO11n на наборе данных Crack Segmentation в течение 100 эпох с размером изображения 640, используйте следующие фрагменты кода Python. Обратитесь к странице документации Обучение модели для получения полного списка доступных аргументов и конфигураций, таких как настройка гиперпараметров.

Пример обучения

from ultralytics import YOLO

# Load a model
# Using a pretrained model like yolo11n-seg.pt is recommended for faster convergence
model = YOLO("yolo11n-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')
# Start training from a pretrained *.pt model using the Command Line Interface
# Ensure the dataset YAML file 'crack-seg.yaml' is correctly configured and accessible
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Примеры данных и аннотации

Набор данных Crack Segmentation содержит разнообразную коллекцию изображений, снятых с разных точек зрения, демонстрирующих различные типы трещин на дорогах и стенах. Вот несколько примеров:

Образец изображения набора данных

  • На этом изображении демонстрируется сегментация экземпляров, с аннотированными ограничивающими рамками и масками, выделяющими обнаруженные трещины. Набор данных включает изображения из разных мест и сред, что делает его исчерпывающим ресурсом для разработки надежных моделей для этой задачи. Такие методы, как аугментация данных, могут еще больше повысить разнообразие набора данных. Узнайте больше о сегментации и отслеживании экземпляров в нашем руководстве.

  • Пример подчеркивает разнообразие набора данных Crack Segmentation, подчеркивая важность высококачественных данных для обучения эффективных моделей компьютерного зрения.

Цитирование и благодарности

Если вы используете набор данных Crack Segmentation в своих исследованиях или разработках, пожалуйста, укажите источник соответствующим образом. Набор данных был предоставлен через Roboflow:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    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 выражаем благодарность команде Roboflow за предоставление датасета Crack Segmentation, который является ценным ресурсом для сообщества компьютерного зрения, особенно для проектов, связанных с безопасностью дорожного движения и оценкой инфраструктуры.

Часто задаваемые вопросы

Что такое набор данных Crack Segmentation Dataset?

Набор данных Crack Segmentation — это коллекция из 4029 статических изображений, предназначенных для исследований в области транспорта и общественной безопасности. Он подходит для таких задач, как разработка моделей самоуправляемых автомобилей и обслуживание инфраструктуры. Он включает в себя наборы для обучения, тестирования и проверки для задач обнаружения и сегментации трещин.

Как обучить модель, используя набор данных Crack Segmentation с Ultralytics YOLO11?

Чтобы обучить модель Ultralytics YOLO11 на этом наборе данных, используйте предоставленные примеры Python или CLI. Подробные инструкции и параметры доступны на странице Обучение модели. Вы можете управлять процессом обучения с помощью таких инструментов, как Ultralytics HUB.

Пример обучения

from ultralytics import YOLO

# Load a pretrained model (recommended)
model = YOLO("yolo11n-seg.pt")

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained model via CLI
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Зачем использовать набор данных для сегментации трещин для проектов беспилотных автомобилей?

Этот набор данных ценен для проектов, связанных с самоуправляемыми автомобилями, благодаря разнообразию изображений дорог и стен, охватывающих различные реальные сценарии. Это разнообразие повышает устойчивость моделей, обученных для обнаружения трещин, что имеет решающее значение для безопасности дорожного движения и оценки инфраструктуры. Подробные аннотации помогают в разработке моделей, которые могут точно идентифицировать потенциальные опасности на дороге.

Какие функции предлагает Ultralytics YOLO для сегментации трещин?

Ultralytics YOLO обеспечивает обнаружение объектов, сегментацию и классификацию в реальном времени, что делает его очень подходящим для задач сегментации трещин. Он эффективно обрабатывает большие наборы данных и сложные сценарии. Фреймворк включает в себя комплексные режимы для обучения, прогнозирования и экспорта моделей. Беспривязный подход к обнаружению YOLO может улучшить производительность на неровных формах, таких как трещины, а производительность можно измерить с помощью стандартных метрик.

Как сослаться на набор данных Crack Segmentation Dataset?

Если вы используете этот набор данных в своей работе, пожалуйста, сошлитесь на него, используя предоставленную выше запись BibTeX, чтобы отдать должное создателям.



📅 Создано 1 год назад ✏️ Обновлено 5 месяцев назад

Комментарии