Link to this sectionНабор данных для сегментации трещин#

Набор данных Crack Segmentation от Ultralytics содержит 4 029 аннотированных изображений трещин на дорогах и стенах для обучения моделей instance segmentation по одному классу crack. Он охватывает разнообразные сценарии дорожного покрытия и конструкций и напрямую сочетается с Ultralytics YOLO для задач, варьирующихся от обеспечения безопасности на транспорте и систем восприятия self-driving car до infrastructure maintenance и структурного осмотра с помощью computer vision.

Link to this sectionСтруктура набора данных#

Набор данных Crack Segmentation распределяет свои 4 029 изображений следующим образом:

• Training set: 3 717 изображений, используемых для training модели deep learning.
• Validation set: 200 изображений, используемых во время обучения для настройки hyperparameters и предотвращения overfitting.
• Testing set: 112 изображений, оставленных для оценки модели после обучения.
• Classes: один класс crack, охватывающий каждую аннотированную трещину на дорогах и стенах.
• Download size: ~91.6 МБ.

Link to this sectionПрименение#

Сегментация трещин помогает в infrastructure maintenance за счет идентификации и оценки структурных повреждений в зданиях, мостах и на дорогах. Она также повышает road safety, позволяя автоматизированным системам обнаруживать трещины в дорожном покрытии для своевременного ремонта.

В промышленных условиях обнаружение трещин с помощью таких моделей, как Ultralytics YOLO26, помогает подтвердить целостность зданий при строительстве, предотвращает дорогостоящие простои в manufacturing и делает осмотр дорог более безопасным. Автоматическая классификация трещин позволяет ремонтным бригадам расставлять приоритеты для наиболее срочного ремонта.

Полный набор данных Crack Segmentation можно просматривать и управлять им на Ultralytics Platform.

Link to this sectionYAML набора данных#

Файл YAML определяет конфигурацию датасета. Он включает детали о путях к датасету, классах и другую релевантную информацию. Для датасета 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') 200 images
test: images/test # test images (relative to 'path') 112 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#

Ниже приведен пример из набора данных Crack Segmentation с наложенными масками instance segmentation, которые очерчивают выявленные трещины на поверхностях дорог и стен:

Набор данных охватывает различные локации, поверхности и условия освещения, поэтому модели, обученные на нем, видят широкий спектр реальных сцен, необходимых для обобщения. Data augmentation может еще больше расширить это разнообразие — ознакомься с нашим руководством по instance segmentation и трекингу для связанных рабочих процессов.

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 выражаем благодарность команде Roboflow за предоставление набора данных Crack Segmentation, который является ценным ресурсом для сообщества компьютерного зрения, особенно для проектов, связанных с безопасностью дорожного движения и оценкой инфраструктуры. Чтобы найти больше наборов данных, посети коллекцию Ultralytics Datasets.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных Crack Segmentation и как он используется в Ultralytics YOLO26?#

Набор данных Crack Segmentation — это коллекция из 4 029 аннотированных изображений трещин на дорогах и стенах для обучения и оценки моделей instance segmentation по одному классу crack. Он создан для обеспечения безопасности транспорта и инфраструктурных приложений, таких как структурный осмотр и оценка дорожного покрытия, и используется напрямую с Ultralytics YOLO26 через файл конфигурации crack-seg.yaml.

Link to this sectionСколько изображений и классов содержит набор данных Crack Segmentation?#

Набор данных включает в общей сложности 4 029 изображений — 3 717 для обучения, 200 для валидации и 112 для тестирования, — все они аннотированы для одного класса crack. Полный архив загружается автоматически в виде .zip файла размером ~91.6 МБ при первом использовании.

Link to this sectionКак обучить модель Ultralytics YOLO26 на наборе данных Crack Segmentation?#

Загрузи предобученную модель сегментации (например, yolo26n-seg.pt) и обучи ее с конфигурацией crack-seg.yaml, используя фрагменты кода Python или CLI в разделе Usage выше. См. руководство по обучению для получения полного списка доступных аргументов.

Link to this sectionЗачем использовать набор данных Crack Segmentation для проектов с самоуправляемыми автомобилями и инфраструктурой?#

Разнообразные изображения трещин на дорогах и стенах охватывают множество реальных сценариев, улучшая надежность моделей, обученных для обнаружения трещин. Точная сегментация поддерживает системы road safety и оценки инфраструктуры, которые должны надежно выявлять потенциальные опасности — см. раздел Applications выше и наши советы по обучению моделей для лучших практик.

Link to this sectionГде я могу найти файл конфигурации набора данных для Crack Segmentation?#

Файл crack-seg.yaml, который определяет пути к набору данных и единственный класс crack, находится в репозитории Ultralytics на GitHub: crack-seg.yaml.