Çatlak Segmentasyonu Veri Seti#

Ultralytics Crack Segmentation Dataset, tek bir crack sınıfı üzerinde instance segmentation modellerini eğitmek için yol ve duvarlardaki çatlakların 4.029 açıklamalı görüntüsünü sağlar. Çeşitli kaplama ve yapısal senaryolarda yakalanmış olup; ulaşım güvenliği ve self-driving car algısından infrastructure maintenance ile yapısal computer vision denetimine kadar uzanan kullanım durumları için doğrudan Ultralytics YOLO ile eşleşir.

Veri Kümesi Yapısı#

Çatlak Segmentasyon Veri Seti, 4.029 görüntüsünü şu şekilde böler:

• Training set: deep learning modelini training için kullanılan 3.717 görüntü.
• Doğrulama kümesi: hyperparameters değerlerini ayarlamak ve overfitting durumunu önlemek için eğitim sırasında kullanılan 200 görüntü.
• Test seti: Eğitimden sonra modeli değerlendirmek için ayrılan 112 görüntü.
• Sınıflar: yollarda ve duvarlardaki etiketlenmiş her çatlağı kapsayan tek bir crack sınıfı.
• İndirme boyutu: ~91.6 MB.

Uygulamalar#

Çatlak bölütleme; binalarda, köprülerde ve yollarda yapısal hasarı tespit edip değerlendirerek infrastructure maintenance çalışmalarını destekler. Ayrıca otomatik sistemlerin zamanında onarım için asfalt çatlaklarını tespit etmesini sağlayarak road safety seviyesini artırır.

Endüstriyel ortamlarda Ultralytics YOLO26 gibi modellerle çatlak tespiti yapmak, inşaatta bina bütünlüğünü doğrulamaya yardımcı olur, manufacturing süreçlerinde maliyetli duruşları önler ve yol denetimlerini daha güvenli hale getirir. Çatlakları otomatik olarak sınıflandırmak, bakım ekiplerinin en acil onarımlara öncelik vermesini sağlar.

Eksiksiz Çatlak Bölütleme Veri Kümesi, Ultralytics Platform üzerinden de incelenebilir ve yönetilebilir.

Veri Kümesi YAML#

Veri kümesi yapılandırmasını bir YAML dosyası tanımlar. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkındaki detayları içerir. Çatlak Bölütleme veri kümesi için crack-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml adresinde barındırılır.

# 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

Kullanım#

Crack Segmentation veri kümesi üzerinde Ultralytics YOLO26n-seg modelini 640 görüntü boyutuyla 100 epochs boyunca eğitmek için aşağıdaki Python veya CLI kod parçacıklarını kullan. hyperparameter tuning gibi mevcut argümanların ve yapılandırmaların kapsamlı bir listesi için model Training belgelendirme sayfasına göz at.

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')

Örnek Veriler ve Etiketler#

Aşağıda, yol ve duvar yüzeylerindeki tespit edilen çatlakları özetleyen bindirilmiş instance segmentation maskeleriyle Crack Segmentation Veri Kümesinden bir örnek verilmiştir:

Veri kümesi farklı konumları, yüzeyleri ve ışık koşullarını kapsar; böylece bu veri kümesiyle eğitilen modeller, genelleme yapmaları gereken gerçek dünya sahnelerinin çeşitliliğini görür. Data augmentation bu çeşitliliği daha da artırabilir; ilgili iş akışları için instance segmentation and tracking guide sayfamıza bakın.

Alıntılar ve Teşekkür#

Çatlak Segmentasyonu veri setini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen kaynağı uygun şekilde belirt:

@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 },
}

Crack Segmentation veri kümesini kullanıma sunarak bilgisayarlı görü topluluğu için, özellikle yol güvenliği ve altyapı değerlendirmesi ile ilgili projeler adına değerli bir kaynak sağlayan Roboflow ekibine teşekkür ederiz. Daha fazla veri kümesi için Ultralytics Datasets collection sayfasını ziyaret edin.

SSS#

Çatlak Segmentasyon Veri Seti nedir ve Ultralytics YOLO26 içerisinde nasıl kullanılır?#

Crack Segmentation Dataset, tek bir crack sınıfı üzerinde instance segmentation modellerini eğitmek ve değerlendirmek için yol ve duvarlardaki çatlakların 4.029 açıklamalı görüntüsünden oluşan bir koleksiyondur. Yapısal denetim ve kaplama değerlendirmesi gibi ulaşım güvenliği ve altyapı uygulamaları için oluşturulmuştur ve crack-seg.yaml yapılandırma dosyası aracılığıyla doğrudan Ultralytics YOLO26 ile kullanılır.

Çatlak Segmentasyon Veri Seti kaç görüntü ve sınıf içerir?#

Veri kümesi, 3.717'si eğitim, 200'ü doğrulama ve 112'si test için olmak üzere toplam 4.029 görüntü içerir; bunların tümü tek bir crack sınıfı için etiketlenmiştir. Tam arşiv, ilk kullanımda ~91.6 MB boyutunda bir .zip olarak otomatik olarak indirilir.

Çatlak Segmentasyon Veri Seti üzerinde nasıl Ultralytics YOLO26 modeli eğitirim?#

Önceden eğitilmiş bir segmentasyon modeli yükle (örn. yolo26n-seg.pt) ve yukarıdaki Usage bölümünde yer alan Python veya CLI kod parçacıklarını kullanarak bunu crack-seg.yaml yapılandırmasıyla eğit. Mevcut argümanların tam listesi için Training guide sayfasına bak.

Otonom araç ve altyapı projeleri için neden Çatlak Segmentasyon Veri Seti kullanılmalı?#

Yol ve duvarlardaki çatlakların farklı görüntüleri birçok gerçek dünya senaryosunu kapsar ve çatlak tespiti için eğitilen modellerin kararlılığını artırır. Doğru bölütleme; potansiyel tehlikeleri güvenilir bir şekilde belirlemesi gereken road safety ve altyapı değerlendirme sistemlerini destekler; en iyi uygulamalar için yukarıdaki Applications bölümüne ve model training tips sayfamıza göz atın.

Çatlak Segmentasyon için veri seti yapılandırma dosyasını nerede bulabilirim?#

Veri kümesi yollarını ve tek crack sınıfını tanımlayan crack-seg.yaml dosyası, Ultralytics GitHub deposunda yer alır: crack-seg.yaml.