Çatlak Segmentasyon Veri Kümesi

Çatlak Segmentasyon Veri Kümesi, ulaşım ve kamu güvenliği çalışmalarıyla ilgilenen kişiler için tasarlanmış kapsamlı bir kaynaktır. Ayrıca sürücüsüz araç modelleri geliştirmek veya çeşitli bilgisayarlı görü uygulamalarını keşfetmek için de faydalıdır. Bu veri kümesi, Ultralytics Veri Kümeleri Merkezi'nde bulunan daha geniş koleksiyonun bir parçasıdır.

Çeşitli yol ve duvar senaryolarından alınan 4029 sabit görüntüden oluşan bu veri kümesi, çatlak segmentasyon görevleri için değerli bir varlıktır. İster ulaşım altyapısını araştırıyor olun ister otonom sürüş sistemlerinin doğruluğunu artırmayı hedefleyin, bu veri kümesi derin öğrenme modellerini eğitmek için zengin bir görüntü koleksiyonu sunar.

Veri Kümesi Yapısı

Çatlak Segmentasyon Veri Kümesi üç alt kümeye ayrılmıştır:

• Eğitim kümesi: İlgili açıklamalarıyla birlikte 3717 görüntü.
• Test kümesi: İlgili açıklamalarıyla birlikte 112 görüntü.
• Doğrulama kümesi: İlgili açıklamalarıyla birlikte 200 görüntü.

Uygulamalar

Çatlak segmentasyonu, altyapı bakımı alanında pratik uygulamalar bulur ve binalardaki, köprülerdeki ve yollardaki yapısal hasarların tanımlanmasına ve değerlendirilmesine yardımcı olur. Ayrıca, otomatik sistemlerin zamanında onarım için kaldırım çatlaklarını tespit etmesini sağlayarak yol güvenliğini artırmada da çok önemli bir rol oynar.

Endüstriyel ortamlarda, Ultralytics YOLO26 gibi derin öğrenme modelleri kullanılarak yapılan çatlak tespiti, inşaatta bina bütünlüğünü sağlamaya yardımcı olur, üretimde maliyetli duruşları önler ve yol denetimlerini daha güvenli ve daha etkili hale getirir. Çatlakların otomatik olarak tanımlanması ve sınıflandırılması, bakım ekiplerinin onarımlara verimli bir şekilde öncelik vermesini sağlayarak daha iyi model değerlendirme içgörülerine katkıda bulunur.

Veri Kümesi YAML Dosyası

Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlar. Bu dosya; veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında ayrıntıları içerir. Çatlak Segmentasyon veri kümesi için crack-seg.yaml dosyası şu adreste tutulmaktadır: https://github.com/ultralytics/ultralytics/blob/main/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') 112 images
test: images/test # 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 the Ultralytics YOLO26n-seg model on the Crack Segmentation dataset for 100 epochs with an image size of 640, use the following Python or CLI snippets. Refer to the model Training documentation page for a comprehensive list of available arguments and configurations like hyperparameter tuning.

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 Açıklamalar

Çatlak Segmentasyon veri kümesi, yollar ve duvarlardaki farklı çatlak türlerini sergileyen, çeşitli perspektiflerden çekilmiş çeşitli bir görüntü koleksiyonu içerir. İşte bazı örnekler:

• This image demonstrates instance segmentation, featuring annotated bounding boxes with masks outlining identified cracks. The dataset includes images from different locations and environments, making it a comprehensive resource for developing robust models for this task. Techniques like data augmentation can further enhance dataset diversity. Learn more about instance segmentation and tracking in our guide.

• Bu örnek, etkili bilgisayarlı görü modelleri eğitmek için yüksek kaliteli verilerin önemini vurgulayarak Çatlak Segmentasyon veri kümesindeki çeşitliliğin altını çiziyor.

Alıntılar ve Teşekkür

Çatlak Segmentasyon veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan, 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 },
}

Çatlak Segmentasyon veri kümesini kullanıma sunduğu ve özellikle yol güvenliği ve altyapı değerlendirmesi ile ilgili projeler için bilgisayarlı görü topluluğuna değerli bir kaynak sağladığı için Roboflow ekibine teşekkür ederiz.

SSS

Çatlak Segmentasyon Veri Kümesi nedir?

Çatlak Segmentasyon Veri Kümesi, ulaşım ve kamu güvenliği çalışmaları için tasarlanmış 4029 sabit görüntüden oluşan bir koleksiyondur. Sürücüsüz araç modeli geliştirme ve altyapı bakımı gibi görevler için uygundur. Çatlak tespiti ve segmentasyon görevleri için eğitim, test ve doğrulama kümelerini içerir.

Ultralytics YOLO26 ile Çatlak Segmentasyon Veri Kümesini kullanarak nasıl model eğitebilirim?

Bu veri kümesi üzerinde bir Ultralytics YOLO26 modeli eğitmek için sağlanan Python veya CLI örneklerini kullan. Ayrıntılı talimatlar ve parametreler, model Eğitim sayfasında mevcuttur. Eğitim sürecini Ultralytics Platform gibi araçları kullanarak yönetebilirsin.

from ultralytics import YOLO

# Load a pretrained model (recommended)
model = YOLO("yolo26n-seg.pt")

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

Sürücüsüz araç projeleri için neden Çatlak Segmentasyon Veri Kümesi kullanılmalı?

Bu veri kümesi, çeşitli gerçek dünya senaryolarını kapsayan, yolların ve duvarların çeşitli görüntüleri nedeniyle sürücüsüz araç projeleri için değerlidir. Bu çeşitlilik, çatlak tespiti için eğitilen modellerin sağlamlığını artırır ve bu da yol güvenliği ve altyapı değerlendirmesi için çok önemlidir. Detaylı açıklamalar, potansiyel yol tehlikelerini doğru bir şekilde tanımlayabilen modeller geliştirmeye yardımcı olur.

Ultralytics YOLO, çatlak segmentasyonu için hangi özellikleri sunuyor?

Ultralytics YOLO; gerçek zamanlı nesne tespiti, segmentasyon ve sınıflandırma yetenekleri sunarak çatlak segmentasyon görevleri için oldukça uygun olmasını sağlar. Büyük veri kümelerini ve karmaşık senaryoları verimli bir şekilde yönetir. Çerçeve; modelleri Eğitmek, Tahmin etmek ve Dışa Aktarmak için kapsamlı modlar içerir. YOLO'nun çapasız (anchor-free) tespit yaklaşımı, çatlaklar gibi düzensiz şekillerde performansı artırabilir ve performans standart metrikler kullanılarak ölçülebilir.

Çatlak Segmentasyon Veri Kümesini nasıl referans gösterebilirim?

Bu veri kümesini çalışmanda kullanıyorsan, oluşturucularına uygun bir şekilde haklarını vermek için lütfen yukarıdaki BibTeX girişini kullanarak referans göster.