İçeriğe geç

Roboflow Evren Çatlak Segmentasyon Veri Seti

The Roboflow Crack Segmentation Dataset stands out as an extensive resource designed specifically for individuals involved in transportation and public safety studies. It is equally beneficial for those working on the development of self-driving car models or simply exploring computer vision applications for recreational purposes.

Comprising a total of 4029 static images captured from diverse road and wall scenarios, this dataset emerges as a valuable asset for tasks related to crack segmentation. Whether you are delving into the intricacies of transportation research or seeking to enhance the accuracy of your self-driving car models, this dataset provides a rich and varied collection of images to support your endeavors.

Veri Kümesi Yapısı

Çatlak Segmentasyon Veri Kümesi içindeki veri bölümü aşağıdaki gibi özetlenmiştir:

  • Eğitim seti: İlgili açıklamalarla birlikte 3717 görüntüden oluşur.
  • Test seti: İlgili ek açıklamalarıyla birlikte 112 görüntüden oluşur.
  • Doğrulama seti: İlgili açıklamalarıyla birlikte 200 görüntü içerir.

Uygulamalar

Çatlak segmentasyonu, yapısal hasarın tanımlanmasına ve değerlendirilmesine yardımcı olarak altyapı bakımında pratik uygulamalar bulur. Ayrıca, otomatik sistemlerin zamanında onarım için kaldırım çatlaklarını tespit etmesini ve ele almasını sağlayarak yol güvenliğini artırmada önemli bir rol oynar.

Veri Kümesi YAML

Veri kümesinin yapılandırmasını ana hatlarıyla belirlemek için yollar, sınıflar ve diğer ilgili bilgilerle ilgili ayrıntıları kapsayan bir YAML (Yet Another Markup Language) dosyası kullanılır. Özellikle, Çatlak Segmentasyonu veri kümesi için crack-seg.yaml dosyası yönetilir ve şu adresten erişilebilir 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://github.com/ultralytics/assets/releases/download/v0.0.0/crack-seg.zip

Kullanım

To train Ultralytics YOLO11n model on the Crack Segmentation dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

Tren Örneği

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Örnek Veriler ve Açıklamalar

Çatlak Segmentasyonu veri kümesi, farklı perspektiflerden çekilmiş çeşitli görüntü ve video koleksiyonlarından oluşmaktadır. Aşağıda, ilgili açıklamalarıyla birlikte veri kümesinden veri örnekleri yer almaktadır:

Veri kümesi örnek görüntüsü

  • Bu görüntü, tanımlanan nesnelerin ana hatlarını çizen maskelerle açıklamalı sınırlayıcı kutular içeren bir görüntü nesnesi segmentasyonu örneği sunar. Veri kümesi, farklı konumlarda, ortamlarda ve yoğunluklarda çekilmiş çeşitli görüntüler içerdiğinden, bu özel görev için tasarlanmış modeller geliştirmek için kapsamlı bir kaynaktır.

  • Bu örnek, Crack segmentasyon veri setinde bulunan çeşitliliğin ve karmaşıklığın altını çizmekte ve bilgisayarla görme görevlerinde yüksek kaliteli verilerin önemli rolünü vurgulamaktadır.

Atıflar ve Teşekkür

Çatlak segmentasyonu veri setini araştırma veya geliştirme çalışmalarınıza dahil ederseniz, lütfen aşağıdaki makaleyi referans alın:

@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 },
}

Yol güvenliği ve araştırma projeleri için değerli bir kaynak olarak Çatlak Segmentasyonu veri setini oluşturan ve sürdüren Roboflow ekibine teşekkür ederiz. Çatlak segmentasyonu veri seti ve yaratıcıları hakkında daha fazla bilgi için Çatlak Segmentasyonu Veri Seti Sayfasını ziyaret edin.

SSS

Roboflow Çatlak Segmentasyon Veri Seti nedir?

Roboflow Çatlak Segmentasyonu Veri Seti, özellikle ulaşım ve kamu güvenliği çalışmaları için tasarlanmış 4029 statik görüntüden oluşan kapsamlı bir koleksiyondur. Sürücüsüz araç modeli geliştirme ve altyapı bakımı gibi görevler için idealdir. Veri kümesi, doğru çatlak tespiti ve segmentasyonuna yardımcı olan eğitim, test ve doğrulama setlerini içerir.

Ultralytics YOLO11 ile Çatlak Segmentasyonu Veri Setini kullanarak bir modeli nasıl eğitebilirim?

To train an Ultralytics YOLO11 model on the Crack Segmentation dataset, use the following code snippets. Detailed instructions and further parameters can be found on the model Training page.

Tren Örneği

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Sürücüsüz araç projem için neden Crack Segmentation Veri Setini kullanmalıyım?

Çatlak Segmentasyonu Veri Kümesi, çeşitli senaryolar sağlayan 4029 yol ve duvar görüntüsünden oluşan çok çeşitli koleksiyonu nedeniyle sürücüsüz araç projeleri için son derece uygundur. Bu çeşitlilik, yol güvenliğini korumak ve altyapı onarımlarının zamanında yapılmasını sağlamak için çok önemli olan çatlak tespiti için eğitilen modellerin doğruluğunu ve sağlamlığını artırır.

Ultralytics YOLO çatlak segmentasyonu için hangi benzersiz özellikleri sunuyor?

Ultralytics YOLO offers advanced real-time object detection, segmentation, and classification capabilities that make it ideal for crack segmentation tasks. Its ability to handle large datasets and complex scenarios ensures high accuracy and efficiency. For example, the model Training, Predict, and Export modes cover comprehensive functionalities from training to deployment.

Araştırma makalemde Roboflow Crack Segmentation Dataset'ten nasıl alıntı yapabilirim?

Crack Segmentation Dataset'i araştırmanıza dahil ederseniz, lütfen aşağıdaki BibTeX referansını kullanın:

@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 },
}

Bu atıf biçimi, veri setinin yaratıcılarına uygun akreditasyonu sağlar ve araştırmanızda kullanımını onaylar.

📅 9 ay önce oluşturuldu ✏️ 1 ay önce güncellendi
UltralitikAsistan glenn-jocher MatthewNoyce RizwanMunawar jk4e

Yorumlar