Bộ dữ liệu phân đoạn vết nứt (Crack Segmentation Dataset)#

Ultralytics Crack Segmentation Dataset cung cấp 4.029 ảnh có nhãn về các vết nứt trên đường và tường để huấn luyện các mô hình instance segmentation trên một lớp crack duy nhất. Được chụp qua nhiều kịch bản mặt đường và kết cấu khác nhau, tập dữ liệu này kết hợp trực tiếp với Ultralytics YOLO cho các trường hợp sử dụng từ an toàn giao thông và nhận diện trong self-driving car đến infrastructure maintenance và kiểm tra computer vision kết cấu.

Cấu trúc tập dữ liệu#

Tập dữ liệu Crack Segmentation chia 4.029 hình ảnh của nó như sau:

• Tập huấn luyện: 3.717 ảnh được sử dụng để training mô hình deep learning.
• Tập kiểm định: 200 ảnh được sử dụng trong quá trình huấn luyện để tinh chỉnh hyperparameters và ngăn ngừa hiện tượng overfitting.
• Tập kiểm tra (Testing set): 112 hình ảnh được giữ lại để đánh giá mô hình sau khi huấn luyện.
• Các lớp: một lớp crack duy nhất bao gồm mọi vết nứt được gán nhãn trên đường và tường.
• Dung lượng tải xuống: ~91,6 MB.

Ứng dụng#

Crack segmentation hỗ trợ infrastructure maintenance bằng cách xác định và đánh giá thiệt hại kết cấu trong các tòa nhà, cầu và đường. Phương pháp này cũng nâng cao road safety bằng cách cho phép các hệ thống tự động phát hiện vết nứt mặt đường để sửa chữa kịp thời.

Trong môi trường công nghiệp, phát hiện vết nứt bằng các mô hình như Ultralytics YOLO26 giúp xác thực tính toàn vẹn của công trình trong xây dựng, ngăn ngừa thời gian ngừng hoạt động tốn kém trong manufacturing, và làm cho việc kiểm tra đường phố an toàn hơn. Việc phân loại vết nứt tự động giúp các đội bảo trì ưu tiên sửa chữa những khu vực khẩn cấp nhất.

Toàn bộ Crack Segmentation Dataset cũng có thể được duyệt và quản lý trên Ultralytics Platform.

YAML tập dữ liệu#

Một tệp YAML xác định cấu hình của tập dữ liệu. Tệp này bao gồm thông tin chi tiết về đường dẫn, các lớp của tập dữ liệu và các thông tin liên quan khác. Đối với Crack Segmentation dataset, tệp crack-seg.yaml được duy trì tại 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') 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

Cách sử dụng#

Để huấn luyện mô hình Ultralytics YOLO26n-seg trên Crack Segmentation dataset trong 100 epochs với kích thước ảnh là 640, hãy sử dụng các đoạn mã Python hoặc lệnh CLI sau đây. Tham khảo trang tài liệu Training của mô hình để có danh sách toàn diện các tham số và cấu hình khả dụng như 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')

Dữ liệu mẫu và Chú thích#

Dưới đây là một ví dụ từ Crack Segmentation Dataset với các mặt nạ instance segmentation được chồng lên nhau, phác thảo các vết nứt được nhận diện trên bề mặt đường và tường:

Tập dữ liệu bao gồm nhiều địa điểm, bề mặt và điều kiện ánh sáng khác nhau, vì vậy các mô hình được huấn luyện trên đó sẽ thấy được phạm vi các cảnh thực tế cần thiết để khái quát hóa. Data augmentation có thể mở rộng thêm sự đa dạng đó — hãy xem instance segmentation and tracking guide của chúng tôi để biết các quy trình làm việc liên quan.

Trích dẫn và Ghi nhận#

Nếu bạn sử dụng bộ dữ liệu phân đoạn vết nứt trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn nguồn một cách phù hợp:

@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 },
}

Chúng tôi gửi lời cảm ơn đến đội ngũ tại Roboflow vì đã cung cấp Crack Segmentation dataset, tạo ra một nguồn tài nguyên quý giá cho cộng đồng computer vision, đặc biệt đối với các dự án liên quan đến an toàn giao thông và đánh giá cơ sở hạ tầng. Để xem thêm các tập dữ liệu, hãy truy cập Ultralytics Datasets collection.

Câu hỏi thường gặp#