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

Bộ dữ liệu phân đoạn vết nứt là một tài nguyên mở rộng được thiết kế cho các cá nhân tham gia vào các nghiên cứu về giao thông và an toàn công cộng. Nó cũng hữu ích cho việc phát triển các mô hình xe tự lái hoặc khám phá các ứng dụng thị giác máy tính khác nhau. Bộ dữ liệu này là một phần của bộ sưu tập rộng lớn hơn hiện có trên Datasets Hub của Ultralytics.

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

Link to this sectionCấu trúc tập dữ liệu#

Bộ dữ liệu phân đoạn vết nứt được tổ chức thành ba tập hợp con:

• Tập huấn luyện (Training set): 3717 hình ảnh với các chú thích tương ứng.
• Tập kiểm tra (Testing set): 200 hình ảnh với các chú thích tương ứng.
• Tập xác thực (Validation set): 112 hình ảnh với các chú thích tương ứng.

Link to this sectionỨng dụng#

Phân đoạn vết nứt tìm thấy các ứng dụng thực tế trong bảo trì cơ sở hạ tầng, hỗ trợ xác định và đánh giá hư hại cấu trúc trong các tòa nhà, cầu và đường. 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 cách sử dụng các mô hình học sâu như Ultralytics YOLO26 giúp đảm bảo tính toàn vẹn của tòa nhà trong xây dựng, ngăn ngừa thời gian dừng máy tốn kém trong sản xuất, và làm cho việc kiểm tra đường bộ an toàn và hiệu quả hơn. Tự động xác định và phân loại các vết nứt cho phép các đội ngũ bảo trì ưu tiên sửa chữa một cách hiệu quả, đóng góp vào thông tin chi tiết về đánh giá mô hình tốt hơn.

Link to this sectionYAML tập dữ liệu#

Một tệp YAML (Yet Another Markup Language) xác định cấu hình của bộ dữ liệu. Nó bao gồm các chi tiết về đường dẫn, lớp và các thông tin liên quan khác của bộ dữ liệu. Đối với bộ dữ liệu phân đoạn vết nứt, 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') 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 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#

Bộ dữ liệu phân đoạn vết nứt chứa một bộ sưu tập đa dạng các hình ảnh được chụp từ nhiều góc độ khác nhau, hiển thị các loại vết nứt khác nhau trên đường và tường. Dưới đây là một số ví dụ:

• Hình ảnh này minh họa phân đoạn cá thể, bao gồm các hộp bao được chú thích với các mặt nạ vạch rõ các vết nứt đã xác định. Bộ dữ liệu bao gồm các hình ảnh từ các vị trí và môi trường khác nhau, biến nó thành một 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 làm tăng thêm sự đa dạng của bộ dữ liệu. Tìm hiểu thêm về phân đoạn cá thể và theo dõi trong hướng dẫn của chúng tôi.

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

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 vì đã cung cấp bộ dữ liệu phân đoạn vết nứt, mang lại một tài nguyên quý giá cho cộng đồng thị giác máy tính, đặc biệt là cho các dự án liên quan đến an toàn đường bộ và đánh giá cơ sở hạ tầng.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionBộ dữ liệu phân đoạn vết nứt là gì?#

Bộ dữ liệu phân đoạn vết nứt 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 lái và bảo trì cơ sở hạ tầng. Nó bao gồm các tập huấn luyện, kiểm tra và xác thực cho các tác vụ phát hiện và phân đoạn vết nứt.

Link to this sectionLàm thế nào để tôi huấn luyện một mô hình sử dụng Bộ dữ liệu phân đoạn vết nứt với Ultralytics YOLO26?#

Để huấn luyện một mô hình Ultralytics YOLO26 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 quá trình huấn luyện của mình bằng các công cụ như Nền tảng Ultralytics.

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 sectionTại sao nên sử dụng Bộ dữ liệu phân đoạn vết nứt cho các dự án xe tự lái?#

Bộ dữ liệu này rất có giá trị cho các dự án xe tự lái nhờ vào các hình ảnh đa dạng về đường bộ và tường, bao phủ 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 việc phát triển các mô hình có thể xác định chính xác các mối nguy hiểm tiềm ẩn trên đường.

Link to this sectionUltralytics YOLO cung cấp các tính năng gì cho phân đoạn vết nứt?#

Ultralytics YOLO cung cấp khả năng phát hiện đối tượng, phân đoạn và phân loại theo thời gian thực, khiến nó cực kỳ phù hợp cho các tác vụ phân đoạn vết nứt. Nó xử lý hiệu quả các bộ dữ liệu lớn và các kịch bản phức tạp. Khung làm việc bao gồm các chế độ toàn diện để Huấn luyện, Dự đoán, và Xuất mô hình. Cách tiếp cận phát hiện không cần neo (anchor-free) của YOLO có thể cải thiện hiệu suất trên các hình dạng không đều như vết nứt, và hiệu suất có thể được đo lường bằng cách sử dụng các số liệu tiêu chuẩn.

Link to this sectionLàm thế nào để tôi 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 cách sử dụng mục BibTeX được cung cấp ở trên để ghi công xứng đáng cho những người tạo ra nó.