Chuyển đến nội dung

Bộ dữ liệu phân đoạn vết nứt

Mở Bộ Dữ Liệu Phân Đoạn Vết Nứt Trong Colab

Crack Segmentation Dataset, có sẵn trên Roboflow Universe, là một nguồn tài nguyên phong phú được thiết kế cho các cá nhân tham gia vào các nghiên cứu về giao thông và an toàn công cộng. Nó cũng có lợi cho việc phát triển các mô hình xe tự hành hoặc khám phá các ứng dụng thị giác máy tính khác nhau. Bộ dữ liệu này là một phần của bộ sưu tập lớn hơn có sẵn trên Datasets Hub của Ultralytics.



Xem: Phân đoạn vết nứt bằng Ultralytics YOLOv9.

Bao gồm 4029 hình ảnh tĩnh được chụp từ các kịch bản đường và tường khác nhau, bộ dữ liệu này là một tài sản có giá trị cho các tác vụ phân đoạn vết nứt. Cho dù bạn đang nghiên cứu cơ sở hạ tầng giao thông hay hướng đến việc nâng cao độ chính xác của hệ thống lái tự động, bộ dữ liệu này cung cấp một bộ sưu tập phong phú các hình ảnh để huấn luyện các mô hình học sâu.

Cấu trúc bộ dữ liệu

Crack Segmentation Dataset được tổ chức thành ba tập hợp con:

  • Tập huấn luyện: 3717 hình ảnh với các chú thích tương ứng.
  • Tập dữ liệu thử nghiệm: 112 hình ảnh với các chú thích tương ứng.
  • Tập dữ liệu Validation: 200 hình ảnh với các chú thích tương ứng.

Các ứng dụng

Phân đoạn vết nứt có các ứng dụng thực tế trong bảo trì cơ sở hạ tầng, hỗ trợ xác định và đánh giá thiệt hại cấu trúc trong các tòa nhà, cầu và đường xá. Nó cũng đóng một vai trò quan trọng trong việc tăng cường an toàn đường bộ bằng cách cho phép các hệ thống tự động phát hiện các vết nứt trên mặt đường để sửa chữa kịp thời.

Trong môi trường công nghiệp, việc phát hiện vết nứt bằng các mô hình học sâu như Ultralytics YOLO11 giúp đảm bảo tính toàn vẹn của tòa nhà trong xây dựng, ngăn ngừa thời gian ngừng hoạt động tốn kém trong sản xuất và làm cho việc kiểm tra đường xá an toàn và hiệu quả hơn. Tự động xác định và phân loại các vết nứt cho phép các đội bảo trì ưu tiên sửa chữa một cách hiệu quả, góp phần cải thiện thông tin chi tiết về đánh giá mô hình.

YAML bộ dữ liệu

Một YAML Tệp (Yet Another Markup Language) xác định cấu hình bộ dữ liệu. Nó bao gồm các chi tiết về đường dẫn, các lớp và thông tin liên quan khác của bộ dữ liệu. Đối với bộ dữ liệu Crack Segmentation, tệp crack-seg.yaml tệp được duy trì tại 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 (91.6 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

Cách sử dụng

Để huấn luyện mô hình Ultralytics YOLO11n trên bộ dữ liệu Crack Segmentation trong 100 epochs với kích thước ảnh là 640, hãy sử dụng các đoạn mã Python sau. Tham khảo trang tài liệu Huấn luyện mô hình để có danh sách đầy đủ các đối số và cấu hình có sẵn như điều chỉnh siêu tham số.

Ví dụ huấn luyện

from ultralytics import YOLO

# Load a model
# Using a pretrained model like yolo11n-seg.pt is recommended for faster convergence
model = YOLO("yolo11n-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')
# Start training from a pretrained *.pt model using the Command Line Interface
# Ensure the dataset YAML file 'crack-seg.yaml' is correctly configured and accessible
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Dữ liệu mẫu và Chú thích

Bộ dữ liệu Crack Segmentation chứa một bộ sưu tập đa dạng các hình ảnh được chụp từ nhiều góc độ khác nhau, thể hiện các loại vết nứt khác nhau trên đường và tường. Dưới đây là một vài ví dụ:

Ảnh mẫu bộ dữ liệu

  • Hình ảnh này minh họa phân đoạn thể hiện, có các hộp giới hạn được chú thích với các mặt nạ phác thảo các vết nứt được xác định. Bộ dữ liệu bao gồm hình ảnh từ các địa điểm và môi trường khác nhau, khiến nó trở thành một nguồn tài nguyên toàn diện để phát triển các mô hình mạnh mẽ cho tác vụ này. Các kỹ thuật như tăng cường dữ liệu có thể nâng cao hơn nữa sự đa dạng của bộ dữ liệu. Tìm hiểu thêm về phân đoạn thể hiện và theo dõi trong hướng dẫn của chúng tôi.

  • Ví dụ này làm nổi bật sự đa dạng trong bộ dữ liệu Crack Segmentation, nhấn mạnh tầm quan trọng của dữ liệu chất lượng cao để huấn luyện các mô hình thị giác máy tính hiệu quả.

Trích dẫn và Lời cảm ơn

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 thích hợp. Bộ dữ liệu này được cung cấp thông qua Roboflow:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
    journal = { Roboflow Universe },
    publisher = { Roboflow },
    year = { 2022 },
    month = { dec },
    note = { visited on 2024-01-23 },
}

Chúng tôi ghi nhận công lao của nhóm Roboflow vì đã cung cấp bộ dữ liệu Phân Đoạn Vết Nứt, cung cấp một nguồn tài nguyên có giá trị cho cộng đồng thị giác máy tính, đặc biệt cho các dự án liên quan đến an toàn đường bộ và đánh giá cơ sở hạ tầng.

Câu hỏi thường gặp

Tập dữ liệu Phân đoạn Vết nứt (Crack Segmentation Dataset) là gì?

Crack Segmentation Dataset là một bộ sưu tập gồm 4029 hình ảnh tĩnh được thiết kế cho các nghiên cứu về giao thông và an toàn công cộng. Nó phù hợp cho các tác vụ như phát triển mô hình xe tự hànhbảo trì cơ sở hạ tầng. Nó bao gồm các bộ huấn luyện, thử nghiệm và xác thực cho các tác vụ phát hiện và phân vùng vết nứt.

Làm cách nào để huấn luyện một mô hình bằng cách sử dụng Tập dữ liệu phân đoạn vết nứt với Ultralytics YOLO11?

Để huấn luyện mô hình Ultralytics YOLO11 trên bộ dữ liệu này, hãy sử dụng các ví dụ Python hoặc CLI được cung cấp. Hướng dẫn chi tiết và các tham số có sẵn trên trang Huấn luyện mô hình. Bạn có thể quản lý quy trình huấn luyện của mình bằng các công cụ như Ultralytics HUB.

Ví dụ huấn luyện

from ultralytics import YOLO

# Load a pretrained model (recommended)
model = YOLO("yolo11n-seg.pt")

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained model via CLI
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Tại sao nên sử dụng Bộ dữ liệu phân đoạn vết nứt cho các dự án xe tự hành?

Bộ dữ liệu này có giá trị cho các dự án xe tự lái do hình ảnh đa dạng về đường xá và tường, bao gồm nhiều tình huống thực tế khác nhau. Sự đa dạng này cải thiện tính mạnh mẽ của các mô hình được huấn luyện để phát hiện vết nứt, điều này rất quan trọng đối với an toàn đường bộ và đánh giá cơ sở hạ tầng. Các chú thích chi tiết hỗ trợ phát triển các mô hình có thể xác định chính xác các mối nguy tiềm ẩn trên đường.

Ultralytics YOLO cung cấp những tính năng nào để phân đoạn vết nứt?

Ultralytics YOLO cung cấp các khả năng phát hiện đối tượng, phân đoạn và phân loại theo thời gian thực, khiến nó rất phù hợp cho các tác vụ phân đoạn vết nứt. Nó xử lý hiệu quả các tập dữ liệu lớn và các tình huống phức tạp. Framework này bao gồm các chế độ toàn diện để Huấn Luyện, Dự ĐoánXuất các mô hình. Phương pháp phát hiện không cần neo của YOLO có thể cải thiện hiệu suất trên các hình dạng không đều như vết nứt và hiệu suất có thể được đo bằng cách sử dụng các số liệu tiêu chuẩn.

Làm cách nào để trích dẫn Bộ dữ liệu phân đoạn vết nứt?

Nếu sử dụng bộ dữ liệu này trong công việc của bạn, vui lòng trích dẫn nó bằng mục BibTeX được cung cấp ở trên để ghi nhận công lao thích hợp cho những người tạo ra nó.



📅 Đã tạo 1 năm trước ✏️ Cập nhật 5 tháng trước

Bình luận