Bộ dữ liệu phân đoạn vết nứt

Q: How do I train a model using the Crack Segmentation Dataset with Ultralytics YOLO11?

Để đào tạo một Ultralytics YOLO11 mô hình trên tập dữ liệu này, sử dụng được cung cấp Python hoặc CLI ví dụ. Hướng dẫn chi tiết và các thông số có sẵn trên trang Đào tạo mô hình. Bạn có thể quản lý quy trình đào tạo của mình bằng các công cụ như Ultralytics TRUNG TÂM.

Bộ dữ liệu phân đoạn vết nứt, có sẵn trên Roboflow Universe, là một nguồn tài nguyên mở rộng được thiết kế cho những 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 lái hoặc khám phá nhiều ứng dụng thị giác máy tính khác nhau. Bộ dữ liệu này là một phần của bộ sưu tập rộng hơn có sẵn trên Ultralytics Trung tâm dữ liệu .

Đồng hồ: Phân đoạn vết nứt sử dụng Ultralytics YOLOv9.

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 có giá trị cho các nhiệm vụ phân đoạn vết nứt. Cho dù bạn đang nghiên cứu cơ sở hạ tầng giao thông hay muốn nâng cao độ chính xác của 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 học sâu .

Cấu trúc tập dữ liệu

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

Bộ đào tạo : 3717 hình ảnh có chú thích tương ứng.
Bộ kiểm tra : 112 hình ảnh có chú thích tương ứng.
Bộ xác thực : 200 hình ảnh có chú thích tương ứng.

Ứng dụng

Phân đoạn vết nứt tìm thấy ứng dụng thực tế trong bảo trì cơ sở hạ tầng , hỗ trợ xác định và đánh giá thiệt hại về cấu trúc trong các tòa nhà, cầu và đường. Nó cũng đóng 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 vỉa hè để sửa chữa kịp thời.

Trong các thiết lập công nghiệp, phát hiện vết nứt bằng các mô hình học sâu như Ultralytics YOLO11 giúp đảm bảo tính toàn vẹn của tòa nhà trong quá trình xây dựng, ngăn ngừa thời gian ngừng hoạt động tốn kém trong sản xuất và giúp kiểm tra đường bộ an toàn hơn và hiệu quả hơn. Tự động xác định và phân loại vết nứt cho phép các nhóm bảo trì ưu tiên sửa chữa hiệu quả, góp phần vào những hiểu biết sâu sắc hơn về đánh giá mô hình .

Bộ dữ liệu YAML

MỘT YAML Tệp (Yet Another Markup Language) định nghĩa cấu hình tập dữ liệu. Tệp này bao gồm thông tin chi tiết về đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu. Đối với tập dữ liệu Crack Segmentation, crack-seg.yaml tập tin 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 (91.2 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: ../datasets/crack-seg # dataset root dir
train: train/images # train images (relative to 'path') 3717 images
val: valid/images # val images (relative to 'path') 112 images
test: test/images # 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 đào tạo Ultralytics Mô hình YOLO11n trên tập dữ liệu Crack Segmentation cho 100 kỷ nguyên với kích thước hình ảnh là 640, hãy sử dụng các đoạn mã Python sau. Tham khảo trang tài liệu đào tạo mô hình để biết danh sách đầy đủ các đối số và cấu hình có sẵn như điều chỉnh siêu tham số .

Ví dụ về tàu hỏa

PythonCLI

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. Sau đây là một số ví dụ:

Hình ảnh mẫu của bộ dữ liệu

Hình ảnh này minh họa phân đoạn thể hiện, có các hộp giới hạn được chú thích với mặt nạ phác thảo các vết nứt đã xác định. Bộ dữ liệu bao gồm các hình ảnh từ các vị trí và môi trường khác nhau, khiến nó trở thành một nguồn tài nguyên toàn diện để phát triển các mô hình mạnh mẽ cho nhiệm vụ này. Các kỹ thuật như tăng cường dữ liệu có thể tăng cường thêm tính đa dạng của bộ dữ liệu. Tìm hiểu thêm về phân đoạn và theo dõi thể hiện trong hướng dẫn của chúng tôi.
Ví dụ này làm nổi bật tính đa dạng trong tập dữ liệu Crack Segmentation, nhấn mạnh tầm quan trọng của dữ liệu chất lượng cao để đào tạo các mô hình thị giác máy tính hiệu quả.

Trích dẫn và Lời cảm ơn

Nếu bạn sử dụng tập dữ liệu Crack Segmentation trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn nguồn một cách thích hợp. Tập dữ liệu được cung cấp qua Roboflow :

BibTeX

@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 đội ngũ tại Roboflow để cung cấp bộ dữ liệu Phân đoạn vết nứt, cung cấp nguồn tài nguyên có giá trị 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

Bộ dữ liệu phân đoạn vết nứt là gì?

Bộ dữ liệu phân đoạn vết nứt là tập hợp 4029 hình ảnh tĩnh được thiết kế cho các nghiên cứu về giao thông và an toàn công cộng. Nó phù hợp cho các nhiệm vụ như phát triển mô hình xe tự lái và bảo trì cơ sở hạ tầng . Nó bao gồm các bộ đào tạo, thử nghiệm và xác thực cho các nhiệm vụ phát hiện và phân đoạn vết nứt.

Làm thế nào để tôi đào tạo một mô hình bằng cách sử dụng Bộ dữ liệu phân đoạn vết nứt với Ultralytics YOLO11 ?

Để đào tạo mô hình Ultralytics YOLO11 trên tập dữ liệu này, hãy sử dụng Python hoặc CLI ví dụ. Hướng dẫn chi tiết và thông số có sẵn trên trang Đào tạo mô hình. Bạn có thể quản lý quy trình đào tạo của mình bằng các công cụ như Ultralytics HUB .

Ví dụ về tàu hỏa

PythonCLI

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 lái?

Bộ dữ liệu này có giá trị đối với các dự án xe tự lái do có nhiều hình ảnh đa dạng về đường sá và tường, bao gồm nhiều tình huống thực tế khác nhau. Sự đa dạng này cải thiện độ mạnh mẽ của các mô hình được đào tạo 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 hiểm tiềm ẩn trên đường.

Những tính năng nào làm Ultralytics YOLO cung cấp cho phân khúc crack?

Ultralytics YOLO cung cấp khả năng phát hiện, phân đoạn và phân loại đối tượng 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. Khung bao gồm các chế độ toàn diện cho các mô hình Đào tạo , Dự đoán và Xuất bản . YOLO Phương pháp phát hiện không có điểm neo có thể cải thiện hiệu suất trên các hình dạng bất thường như vết nứt và hiệu suất có thể được đo bằng các số liệu tiêu chuẩn.