İçeriğe geç

Roboflow Evren Çatlak Segmentasyon Veri Seti

Colab'da Açık Çatlak Segmentasyon Veri Seti

Bu Roboflow Çatlak Segmentasyon Veri Seti, özellikle ulaşım ve kamu güvenliği çalışmalarında yer alan kişiler için tasarlanmış kapsamlı bir kaynak olarak öne çıkmaktadır. Sürücüsüz araba modellerinin geliştirilmesi üzerinde çalışanlar veya sadece eğlence amaçlı bilgisayarla görme uygulamalarını keşfedenler için de aynı derecede faydalıdır.



İzle: Ultralytics YOLOv9 kullanarak çatlak segmentasyonu

Çeşitli yol ve duvar senaryolarından çekilen toplam 4029 statik görüntüden oluşan bu veri seti, çatlak segmentasyonu ile ilgili görevler için değerli bir varlık olarak ortaya çıkmaktadır. İster ulaşım araştırmalarının inceliklerini araştırıyor ister sürücüsüz araç modellerinizin doğruluğunu artırmaya çalışıyor olun, bu veri seti çabalarınızı desteklemek için zengin ve çeşitli bir görüntü koleksiyonu sağlar.

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.

Endüstriyel ortamlarda, aşağıdaki gibi derin öğrenme modelleri kullanılarak çatlak tespiti Ultralytics YOLO inşaatta bina bütünlüğünü garanti etmeye yardımcı olur, üretimde maliyetli duruş sürelerini önler ve yol ve kaldırım denetimlerini daha güvenli ve daha etkili hale getirir. Çatlakları önem derecelerine göre otomatik olarak belirleme ve sınıflandırma yeteneği, bakım ekiplerinin onarımları verimli bir şekilde önceliklendirmesine olanak tanır.

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 🚀 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 (91.2 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

Ultralytics YOLO11n modelini 640 görüntü boyutuyla 100 epok için Çatlak Segmentasyonu veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

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 maskeler ile açıklamalı sınırlayıcı kutular içeren bir görüntü örneği 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?

Bir Ultralytics YOLO11 modelini Çatlak Segmentasyonu veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanın. Ayrıntılı talimatlar ve diğer parametreler Model Eğitimi sayfasında bulunabilir.

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. Veri setinin kapsamlı açıklamaları, karayollarındaki potansiyel tehlikeleri belirleyebilecek modeller geliştirmek için idealdir.

Ultralytics YOLO çatlak segmentasyonu için hangi benzersiz özellikleri sunuyor?

Ultralytics YOLO , onu çatlak segmentasyon görevleri için ideal kılan gelişmiş gerçek zamanlı nesne algılama, segmentasyon ve sınıflandırma özellikleri sunar. Büyük veri kümelerini ve karmaşık senaryoları işleme yeteneği, yüksek doğruluk ve verimlilik sağlar. Örneğin, model Eğitim, Tahmin ve Dışa Aktarma modları, eğitimden dağıtıma kadar kapsamlı işlevleri kapsar. Ayrıca, YOLO'nun çapasız algılama yaklaşımı, çatlaklar gibi düzensiz şekillerde performansı artırır.

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

Çatlak Segmentasyon Veri Setini 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.

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

Yorumlar