Перейти к содержимому

Roboflow Набор данных для сегментации трещин во вселенной

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

Состоящий из 4029 статичных изображений, полученных на различных дорогах и стенах, этот набор данных представляет собой ценный ресурс для решения задач, связанных с сегментацией трещин. Вне зависимости от того, углубляешься ли ты в тонкости транспортных исследований или стремишься повысить точность моделей самодвижущихся автомобилей, этот набор данных предоставляет богатую и разнообразную коллекцию изображений для поддержки твоих начинаний.

Структура набора данных

Разделение данных в наборе Crack Segmentation Dataset выглядит следующим образом:

  • Обучающий набор: Состоит из 3717 изображений с соответствующими аннотациями.
  • Набор для тестирования: Состоит из 112 изображений вместе с соответствующими аннотациями.
  • Валидационный набор: Включает в себя 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 подробные 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://ultralytics.com/assets/crack-seg.zip

Использование

Чтобы обучить модель Ultralytics YOLOv8n на датасете Crack Segmentation в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов можно найти на странице обучения модели.

Пример поезда

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Образцы данных и аннотации

Набор данных Crack Segmentation состоит из разнообразной коллекции изображений и видео, снятых с разных ракурсов. 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 разном окружении и с разной плотностью, что делает его всеобъемлющим ресурсом для разработки моделей, предназначенных именно для этой задачи.

  • Этот пример подчеркивает разнообразие и сложность, обнаруженные в наборе данных по сегментации трещин, подчеркивая важнейшую роль высококачественных данных в задачах компьютерного зрения.

Цитаты и благодарности

Если ты используешь набор данных для сегментации трещин в своих исследованиях или разработках, то будь добр ссылаться на следующий документ:

@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 благодарность команде Roboflow за создание и поддержку набора данных Crack Segmentation, который является ценным ресурсом для проектов по безопасности дорожного движения и исследований. Чтобы узнать больше о наборе данных Crack Segmentation и его создателях, посети страницу Crack Segmentation Dataset.



Created 2024-01-25, Updated 2024-06-02
Authors: glenn-jocher (3), RizwanMunawar (1)

Комментарии