Tập dữ liệu phân đoạn vết nứt (Crack Segmentation Dataset)
Tập dữ liệu phân đoạn vết nứt là một nguồn tài nguyên phong phú được thiết kế cho các cá nhân tham gia vào các nghiên cứu về giao thông vận tải 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. Tập dữ liệu này là một phần trong bộ sưu tập rộng lớn hơn có sẵn trên Ultralytics Datasets Hub.
Watch: How to Train a Crack Segmentation Model using Ultralytics YOLO26 | AI in Construction 🎉
Bao gồm 4029 hình ảnh tĩnh được chụp từ nhiều tình huống đường sá và tường khác nhau, tập dữ liệu này là một tài sản giá trị cho các tác vụ phân đoạn vết nứt. Cho dù bạn đang nghiên cứu cơ sở hạ tầng giao thông hay hướng tới việc nâng cao độ chính xác của các hệ thống lái xe tự động, tập dữ liệu này cung cấp một bộ sưu tập hình ảnh phong phú để đào tạo các mô hình deep learning.
Cấu trúc tập dữ liệu
Tập 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): 112 hình ảnh với các chú thích tương ứng.
- Tập xác thực (Validation set): 200 hình ảnh với các chú thích tương ứng.
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 hư hại kết cấu trong các tòa nhà, cầu và đường bộ. 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 vết nứt mặt đường để sửa chữa kịp thời.
Trong môi trường công nghiệp, việc phát hiện vết nứt sử dụng các mô hình deep learning như Ultralytics YOLO26 giúp đảm bảo 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 và hiệu quả hơn. Việc 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 vào những hiểu biết tốt hơn về đánh giá mô hình.
Dataset YAML
Một tệp YAML xác định cấu hình tập dữ liệu. Nó bao gồm các chi tiết về đường dẫn, lớp (classes) của tập dữ liệu và các thông tin liên quan khác. Đối với tập 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.zipCách sử dụng
Để huấn luyện mô hình Ultralytics YOLO26n-seg trên tập 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')Dữ liệu mẫu và Chú thích
Tập 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 bounding box đã được chú thích với các mặt nạ (masks) phác thảo các vết nứt được xác định. Tập dữ liệu bao gồm các hình ảnh từ các địa điểm và môi trường khác nhau, làm cho 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 tăng cường hơn nữa sự đa dạng của tập dữ liệu. Tìm hiểu thêm về phân đoạn cá thể và theo dõi trong hướng dẫn của chúng tôi.
-
Ví dụ nêu bật sự đa dạng trong tập 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.
Trích dẫn và Ghi nhận
Nếu bạn sử dụng tập 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:
@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 nhóm tại Roboflow đã cung cấp tập dữ liệu phân đoạn vết nứt, mang đến 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.
Câu hỏi thường gặp (FAQ)
Tập dữ liệu phân đoạn vết nứt là gì?
Tập dữ liệu phân đoạn vết nứt là một bộ sưu tập 4029 hình ảnh tĩnh được thiết kế cho các nghiên cứu về giao thông vận tải 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 vết nứt và phân đoạn.
Làm cách nào để tôi huấn luyện một mô hình sử dụng tập dữ liệu phân đoạn vết nứt với Ultralytics YOLO26?
Để huấn luyện một mô hình Ultralytics YOLO26 trên tập 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 Platform.
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)Tại sao nên sử dụng tập dữ liệu phân đoạn vết nứt cho các dự án xe tự lái?
Tập dữ liệu này có giá trị cho các dự án xe tự lái nhờ các hình ảnh đa dạng về đường sá 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 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 nguy cơ tiềm ẩn trên đường.
Ultralytics YOLO cung cấp những tính năng gì cho việc 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 trở nên 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 bao gồm các chế độ toàn diện cho Huấn luyện, Dự đoán và Xuất mô hình. Cách tiếp cận phát hiện không cần anchor 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.
Làm cách nào để tôi trích dẫn tập dữ liệu phân đoạn vết nứt?
Nếu sử dụng tập 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 nhận công lao thích hợp cho những người tạo ra nó.