Link to this sectionBộ dữ liệu phân đoạn vết nứt (Crack Segmentation Dataset)#

Tập dữ liệu Crack Segmentation của Ultralytics cung cấp 4.029 hình ảnh được chú thích về các vết nứt trên đường và tường để huấn luyện các mô hình instance segmentation cho một lớp crack duy nhất. Được thu thập qua nhiều bối cảnh mặt đường và cấu trúc đa dạng, 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 xe tự lái đến bảo trì cơ sở hạ tầng và kiểm tra computer vision cấu trúc.

Link to this sectionCấu trúc tập dữ liệu#

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

• Tập huấn luyện (Training set): 3.717 hình ảnh được sử dụng để huấn luyện mô hình deep learning.
• Tập xác thực (Validation set): 200 hình ảnh được sử dụng trong quá trình huấn luyện để tinh chỉnh hyperparameters và ngăn chặn overfitting.
• Tập kiểm tra (Testing set): 112 hình ảnh được giữ lại để đánh giá mô hình sau khi huấn luyện.
• Các lớp (Classes): một lớp crack duy nhất bao phủ mọi vết nứt được chú thích trên đường và tường.
• Dung lượng tải xuống: ~91,6 MB.

Link to this sectionỨng dụng#

Phân đoạn vết nứt (Crack segmentation) hỗ trợ bảo trì cơ sở hạ tầng bằng cách nhận diện và đánh giá hư hại cấu trúc trong các tòa nhà, cầu đường. Nó cũng tăng cường an toàn giao thông bằng cách cho phép các hệ thống tự động phát hiện các vết nứt mặt đường để sửa chữa kịp thời.

Trong môi trường công nghiệp, việc phát hiện vết nứt với các mô hình như Ultralytics YOLO26 giúp xác minh tính toàn vẹn của tòa nhà trong xây dựng, ngăn chặn thời gian ngừng hoạt động tốn kém trong sản xuất, và làm cho việc kiểm tra đường bộ an toàn hơn. Việc phân loại vết nứt tự động cho phép các đội bảo trì ưu tiên các công việc sửa chữa khẩn cấp nhất.

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

Link to this sectionYAML tập dữ liệu#

Một tệp YAML xác định cấu hình tập dữ liệu. Nó bao gồm các chi tiết về đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu. Đối với tập dữ liệu Crack Segmentation, 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

Link to this sectionCách sử dụng#

Để huấn luyện mô hình Ultralytics YOLO26n-seg trên bộ dữ liệu phân đoạn vết nứt trong 100 epoch với kích thước hình ảnh là 640, hãy sử dụng các đoạn mã Python hoặc CLI sau đây. Tham khảo trang tài liệu Huấn luyện mô hình để có danh sách đầy đủ các đối số và cấu hình khả dụng như điều chỉnh siêu tham số.

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 sectionDữ liệu mẫu và Chú thích#

Dưới đây là một ví dụ từ tập dữ liệu Crack Segmentation với các mask instance segmentation được phủ lên, làm nổi bật các vết nứt được xác định trên bề mặt đường và tường:

Tập dữ liệu bao gồm các địa điểm, bề mặt và điều kiện ánh sáng đa dạng, vì vậy các mô hình được huấn luyện trên đó sẽ thấy được phạm vi các cảnh thực tế mà chúng cần để tổng quát hóa. Data augmentation có thể mở rộng sự đa dạng đó hơn nữa — hãy xem hướng dẫn về instance segmentation và tracking của chúng tôi để biết các quy trình công việc liên quan.

Link to this sectionTrích 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 ghi nhận đội ngũ tại Roboflow đã cung cấp tập dữ liệu Crack Segmentation, tạo ra một nguồn tài nguyên quý giá cho cộng đồng computer vision, đặc biệt là cho các dự án liên quan đến an toàn giao thông và đánh giá cơ sở hạ tầng. Để biết thêm các tập dữ liệu, hãy truy cập bộ sưu tập Ultralytics Datasets.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionTập dữ liệu Crack Segmentation là gì và nó được sử dụng như thế nào trong Ultralytics YOLO26?#

Tập dữ liệu Crack Segmentation là tập hợp 4.029 hình ảnh được chú thích về các vết nứt trên đường và tường để huấn luyện và đánh giá các mô hình instance segmentation trên một lớp crack duy nhất. Nó được xây dựng cho các ứng dụng an toàn giao thông và cơ sở hạ tầng như kiểm tra cấu trúc và đánh giá mặt đường, và được sử dụng trực tiếp với Ultralytics YOLO26 thông qua tệp cấu hình crack-seg.yaml.

Link to this sectionTập dữ liệu Crack Segmentation chứa bao nhiêu hình ảnh và lớp?#

Tập dữ liệu có tổng cộng 4.029 hình ảnh — 3.717 để huấn luyện, 200 để xác thực và 112 để kiểm tra — tất cả đều được chú thích cho một lớp crack duy nhất. Kho lưu trữ đầy đủ sẽ tự động tải xuống dưới dạng tệp .zip dung lượng ~91,6 MB trong lần sử dụng đầu tiên.

Link to this sectionLàm thế nào để tôi huấn luyện một mô hình Ultralytics YOLO26 trên tập dữ liệu Crack Segmentation?#

Tải một mô hình segmentation đã được huấn luyện trước (ví dụ: yolo26n-seg.pt) và huấn luyện nó với cấu hình crack-seg.yaml sử dụng các đoạn mã Python hoặc CLI trong phần Usage ở trên. Xem Hướng dẫn huấn luyện để biết danh sách đầy đủ các tham số có sẵn.

Link to this sectionTại sao lại sử dụng tập dữ liệu Crack Segmentation cho các dự án xe tự lái và cơ sở hạ tầng?#

Những hình ảnh đa dạng về vết nứt trên đường và tường của nó bao phủ nhiều kịch bản thực tế, cải thiện độ bền vững của các mô hình được huấn luyện để phát hiện vết nứt. Segmentation chính xác hỗ trợ các hệ thống an toàn giao thông và đánh giá cơ sở hạ tầng cần xác định các mối nguy tiềm ẩn một cách đáng tin cậy — xem phần Applications ở trên và các mẹo huấn luyện mô hình của chúng tôi để biết các phương pháp thực hành tốt nhất.

Link to this sectionTôi có thể tìm tệp cấu hình tập dữ liệu cho Crack Segmentation ở đâu?#

Tệp crack-seg.yaml, tệp xác định các đường dẫn tập dữ liệu và một lớp crack duy nhất, nằm trong kho lưu trữ GitHub của Ultralytics: crack-seg.yaml.