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 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

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.

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:

• 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.

ВОПРОСЫ И ОТВЕТЫ

Что такое датасет Roboflow Crack Segmentation Dataset?

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

Как обучить модель с помощью набора данных Crack Segmentation Dataset с Ultralytics YOLOv8 ?

Чтобы обучить модель Ultralytics YOLOv8 на наборе данных Crack Segmentation, используй следующие фрагменты кода. Подробные инструкции и дополнительные параметры можно найти на странице обучения модели.

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

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

Набор данных Crack Segmentation Dataset исключительно хорошо подходит для проектов по созданию самоуправляемых автомобилей благодаря разнообразной коллекции из 4029 изображений дорог и стен, на которых представлены самые разные сценарии. Такое разнообразие повышает точность и устойчивость моделей, обученных для обнаружения трещин, что крайне важно для поддержания безопасности на дорогах 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 реальном 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 полный функционал от обучения до развертывания.

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

Если ты используешь набор данных Crack Segmentation Dataset в своих исследованиях, пожалуйста, используй следующую ссылку 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 },
}

Этот формат цитирования обеспечивает надлежащую аккредитацию создателей набора данных и подтверждает его использование в твоем исследовании.

Комментарии