Başla

Çatlak Segmentasyonu Veri Kümesi

Open Crack Segmentation Dataset In Colab

Ultralytics Çatlak Segmentasyonu Veri Kümesi, tek bir crack sınıfında örnek segmentasyonu modellerini eğitmek için yol ve duvarlardaki çatlakları gösteren, açıklama eklenmiş 4.029 görüntü sunar. Çeşitli yol yüzeyi ve yapısal senaryolarda çekilen bu görüntüler, ulaşım güvenliği ve otonom araç algılamasından altyapı bakımına ve yapısal bilgisayarlı görü incelemesine kadar uzanan kullanım senaryoları için Ultralytics YOLO ile doğrudan kullanılabilir.



İzle: Ultralytics YOLO26 Kullanarak Çatlak Segmentasyon Modeli Nasıl Eğitilir | İnşaatta Yapay Zekâ 🎉

Veri Kümesi Yapısı#

Çatlak Segmentasyonu Veri Kümesi, 4.029 görüntüsünü şu şekilde ayırır:

  • Eğitim kümesi: Derin öğrenme modelini eğitmek için kullanılan 3.717 görüntü.
  • Doğrulama kümesi: Hiperparametreleri ayarlamak ve aşırı öğrenmeyi önlemek için eğitim sırasında kullanılan 200 görüntü.
  • Test kümesi: Eğitim sonrasında modeli değerlendirmek için ayrılmış 112 görüntü.
  • Sınıflar: Yollarda ve duvarlarda açıklama eklenmiş tüm çatlakları kapsayan tek bir crack sınıfı.
  • İndirme boyutu: ~91,6 MB.

Uygulamalar#

Çatlak segmentasyonu; binalardaki, köprülerdeki ve yollardaki yapısal hasarları belirleyip değerlendirerek altyapı bakımını destekler. Ayrıca otomatik sistemlerin zamanında onarım için yol yüzeyindeki çatlakları tespit etmesini sağlayarak yol güvenliğini artırır.

Endüstriyel ortamlarda Ultralytics YOLO26 gibi modellerle çatlak tespiti, inşaatta bina bütünlüğünü doğrulamaya, üretimde maliyetli kesinti sürelerini önlemeye ve yol denetimlerini daha güvenli hâle getirmeye yardımcı olur. Çatlakları otomatik olarak sınıflandırmak, bakım ekiplerinin en acil onarımlara öncelik vermesini sağlar.

Çatlak Segmentasyonu Veri Kümesi'nin tamamına Ultralytics Platform üzerinden de göz atabilir ve bu veri kümesini yönetebilirsin.

Veri Kümesi YAML Dosyası#

Bir YAML dosyası, veri kümesi yapılandırmasını tanımlar. Bu dosya; veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında ayrıntılar içerir. Çatlak Segmentasyonu veri kümesi için crack-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml konumunda tutulur.

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

Kullanım#

Crack Segmentasyon veri kümesinde 640 görüntü boyutuyla 100 epoch boyunca Ultralytics YOLO26n-seg modelini eğitmek için aşağıdaki Python veya CLI kod parçacıklarını kullan.

Eğitim Örneği
from ultralytics import YOLO

# Bir model yükle
# Daha hızlı yakınsama için yolo26n-seg.pt gibi önceden eğitilmiş bir model kullanılması önerilir
model = YOLO("yolo26n-seg.pt")

# Modeli Çatlak Segmentasyonu veri kümesinde eğit
# 'crack-seg.yaml' dosyasına erişilebildiğinden emin ol veya tam yolu belirt
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Eğitimden sonra model tahmin için kullanılabilir veya dışa aktarılabilir
# results = model.predict(source='path/to/your/images')

Örnek Veriler ve Açıklamalar#

Aşağıda, yol ve duvar yüzeylerinde belirlenen çatlakları gösteren örnek segmentasyon maskelerinin üst üste bindirildiği Crack Segmentation veri kümesinden bir örnek yer alıyor:

Altyapı denetimi için çatlak segmentasyonu veri kümesi örneği

Veri kümesi çeşitli konumları, yüzeyleri ve aydınlatma koşullarını kapsar; böylece bu veri kümesiyle eğitilen modeller, genelleme yapmaları gereken gerçek dünya sahnelerinin çeşitliliğini görür. Veri artırma bu çeşitliliği daha da genişletebilir — ilgili iş akışları için örnek segmentasyonu ve takip kılavuzumuza göz at.

Atıflar ve Teşekkürler#

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

Atıf
@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 },
}

Çatlak Segmentasyonu veri kümesini kullanıma sunarak bilgisayarlı görü topluluğuna, özellikle yol güvenliği ve altyapı değerlendirmesiyle ilgili projelere değerli bir kaynak sağlayan Roboflow ekibine teşekkür ederiz. Daha fazla veri kümesi için Ultralytics Veri Kümeleri koleksiyonunu ziyaret et.

Sık Sorulan Sorular#

  • Çatlak Segmentasyonu Veri Kümesi, tek bir crack sınıfında örnek segmentasyonu modellerini eğitmek ve değerlendirmek için yollardaki ve duvarlardaki çatlakları içeren, açıklama eklenmiş 4.029 görüntüden oluşan bir koleksiyondur. Yapısal denetim ve yol yüzeyi değerlendirmesi gibi ulaşım güvenliği ve altyapı uygulamaları için hazırlanmıştır ve crack-seg.yaml yapılandırma dosyası aracılığıyla doğrudan Ultralytics YOLO26 ile kullanılır.

  • Veri kümesi toplam 4.029 görüntüden oluşur — 3.717'si eğitim, 200'ü doğrulama ve 112'si test içindir — bunların tümüne tek bir crack sınıfı için açıklama eklenmiştir. Arşivin tamamı, ilk kullanımda otomatik olarak yaklaşık ~91.6 MB boyutunda bir .zip dosyası olarak indirilir.

  • Önceden eğitilmiş bir segmentasyon modelini (ör. yolo26n-seg.pt) yükle ve yukarıdaki Kullanım bölümündeki Python veya CLI kod parçalarını kullanarak crack-seg.yaml yapılandırmasıyla eğit. Kullanılabilir bağımsız değişkenlerin tam listesi için Eğitim kılavuzuna bak.

  • Yollardaki ve duvarlardaki çatlakları içeren çeşitli görüntüler, birçok gerçek dünya senaryosunu kapsayarak çatlak tespiti için eğitilen modellerin sağlamlığını artırır. Doğru segmentasyon, olası tehlikeleri güvenilir biçimde belirlemesi gereken yol güvenliği ve altyapı değerlendirme sistemlerini destekler.

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

Yorumlar2

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. mzg0108GitHub

    What was the performance of Yolo 8 on this dataset? What was the mean IOU on test set?

    1. Glenn JocherUltralytics(düzenlendi)

      Hey there!

      Thanks for reaching out with your question about performance on the Crack Segmentation dataset. 🚀 We do not publish a mean IOU (Intersection Over Union) for the test set on this dataset.

      For an example on how to train a YOLO26 model on the crack segmentation dataset, you might find this snippet useful:

      from ultralytics import YOLO
      
      # Load a pretrained model (recommended for training)
      model = YOLO('yolo26n-seg.pt')  
      
      # Train the model on the crack-seg dataset
      results = model.train(data='crack-seg.yaml', epochs=100, imgsz=640)

      If you're specifically interested in evaluating the model's performance in terms of mean IOU or any other metrics, you can use the val mode to validate your model after training (for example with split='test' if your dataset YAML defines a test set), which reports mask mAP.

      Feel free to dive into your own experiments and share your findings. The community and we are always eager to learn about different performance insights across various datasets! 🌟

      Happy detecting, and let us know if you have any more questions or if there's anything else we can help you with!

      1