Link to this sectionÇatlak Segmentasyonu Veri Seti#

Çatlak Segmentasyonu Veri Seti, ulaşım ve kamu güvenliği çalışmalarıyla ilgilenen kişiler için tasarlanmış kapsamlı bir kaynaktır. Ayrıca kendi kendine giden araç modelleri geliştirmek veya çeşitli bilgisayarlı görü uygulamalarını keşfetmek için de faydalıdır. Bu veri seti, Ultralytics Veri Setleri Merkezi üzerinde mevcut olan daha geniş koleksiyonun bir parçasıdır.

Çeşitli yol ve duvar senaryolarından elde edilen 4029 durağan görüntüden oluşan bu veri seti, çatlak segmentasyonu görevleri için değerli bir varlıktır. İster ulaşım altyapısını araştırıyor ol, ister otonom sürüş sistemlerinin doğruluğunu artırmayı hedefliyor ol, bu veri seti derin öğrenme modellerini eğitmek için zengin bir görüntü koleksiyonu sunar.

Link to this sectionVeri Kümesi Yapısı#

Çatlak Segmentasyonu Veri Seti üç alt kümeye ayrılmıştır:

• Eğitim seti: Karşılık gelen etiketleriyle birlikte 3717 görüntü.
• Test seti: Karşılık gelen etiketleriyle birlikte 200 görüntü.
• Doğrulama seti: Karşılık gelen etiketleriyle birlikte 112 görüntü.

Link to this sectionUygulamalar#

Çatlak segmentasyonu, altyapı bakımı alanında pratik uygulamalar bularak binalarda, köprülerde ve yollarda yapısal hasarların tanımlanmasına ve değerlendirilmesine yardımcı olur. Ayrıca, otomatik sistemlerin zamanında onarım için kaldırım çatlaklarını tespit etmesini sağlayarak yol güvenliğini artırmada kritik 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 etkili hale getirir. Çatlakların otomatik olarak tanımlanması ve sınıflandırılması, bakım ekiplerinin onarımları verimli bir şekilde önceliklendirmesine olanak tanıyarak daha iyi model değerlendirme öngörüleri elde etmeye katkı sağlar.

Link to this sectionVeri Kümesi YAML#

Bir YAML (Yet Another Markup Language) dosyası, veri seti yapılandırmasını tanımlar. Bu dosya, veri setinin yolları, sınıfları ve diğer ilgili bilgileri hakkında detaylar içerir. Çatlak Segmentasyonu veri seti için crack-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml adresinde tutulmaktadır.

# 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

Link to this sectionKullanım#

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')

Link to this sectionÖrnek Veriler ve Etiketler#

Çatlak Segmentasyonu veri seti, çeşitli perspektiflerden çekilmiş, yollar ve duvarlardaki farklı çatlak türlerini sergileyen 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, Çatlak Segmentasyonu veri setindeki çeşitliliği vurgulayarak etkili bilgisayarlı görü modelleri eğitmek için yüksek kaliteli verinin önemine dikkat çekmektedir.

Link to this sectionAlıntılar 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 },
}

Çatlak Segmentasyonu veri setini kullanıma sunarak bilgisayarlı görü topluluğu için, özellikle yol güvenliği ve altyapı değerlendirmesi ile ilgili projelerde değerli bir kaynak sağlayan Roboflow ekibine teşekkür ederiz.

Link to this sectionSSS#

Link to this sectionÇatlak Segmentasyonu Veri Seti nedir?#

Çatlak Segmentasyonu Veri Seti, ulaşım ve kamu güvenliği çalışmaları için tasarlanmış 4029 durağan görüntüden oluşan bir koleksiyondur. Kendi kendine giden araç modeli geliştirme ve altyapı bakımı gibi görevler için uygundur. Çatlak tespiti ve segmentasyon görevleri için eğitim, test ve doğrulama setlerini içerir.

Link to this sectionÇatlak Segmentasyonu Veri Setini Ultralytics YOLO26 ile kullanarak nasıl model eğitirim?#

Bu veri setinde bir Ultralytics YOLO26 modeli eğitmek için sağlanan Python veya CLI örneklerini kullan. Detaylı talimatlar ve parametreler model Eğitim sayfasında mevcuttur. Eğitim sürecini Ultralytics Platformu 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)

Link to this sectionKendi kendine giden araç projeleri için neden Çatlak Segmentasyonu Veri Seti kullanılmalı?#

Bu veri seti, çeşitli gerçek dünya senaryolarını kapsayan yol ve duvar görüntüleri sayesinde kendi kendine giden araç projeleri için değerlidir. Bu çeşitlilik, çatlak tespiti için eğitilen modellerin dayanıklılığını artırır ve bu da yol güvenliği ve altyapı değerlendirmesi için hayati önem taşır. Detaylı etiketler, olası yol tehlikelerini doğru bir şekilde tanımlayabilen modeller geliştirmeye yardımcı olur.

Link to this sectionUltralytics YOLO, çatlak segmentasyonu için hangi özellikleri sunar?#

Ultralytics YOLO, gerçek zamanlı nesne tespiti, segmentasyon ve sınıflandırma yetenekleri sunarak çatlak segmentasyonu görevleri için oldukça uygundur. Büyük veri setlerini ve karmaşık senaryoları verimli bir şekilde işler. Çerçeve, modelleri Eğitmek, Tahmin Etmek ve Dışa Aktarmak için kapsamlı modlar içerir. YOLO'nun çapasız (anchor-free) tespit yaklaşımı, çatlak gibi düzensiz şekillerdeki performansı artırabilir ve performans standart metrikler kullanılarak ölçülebilir.

Link to this sectionÇatlak Segmentasyonu Veri Setini nasıl referans gösterebilirim?#

Bu veri setini çalışmalarında kullanıyorsan, yaratıcılarına uygun krediyi vermek için lütfen yukarıdaki BibTeX girişini kullanarak referans göster.