Roboflow Bộ dữ liệu phân đoạn vết nứt vũ trụ

Roboflow Crack Segmentation Dataset nổi bật như một nguồn tài nguyên mở rộng được thiết kế dành riêng cho những cá nhân tham gia vào các nghiên cứu về giao thông và an toàn công cộng. Nó cũng có lợi cho những người đang làm việc về phát triển các mô hình xe tự lái hoặc chỉ đơn giản là khám phá các ứng dụng thị giác máy tính cho mục đích giải trí.

Bao gồm tổng cộng 4029 hình ảnh tĩnh được chụp từ nhiều tình huống đường sá và tường khác nhau, tập dữ liệu này nổi lên như một tài sản có giá trị cho các nhiệm vụ liên quan đến phân đoạn vết nứt. Cho dù bạn đang tìm hiểu sâu về sự phức tạp của nghiên cứu giao thông hay muốn nâng cao độ chính xác của các mô hình xe tự lái, tập dữ liệu này cung cấp một bộ sưu tập hình ảnh phong phú và đa dạng để hỗ trợ cho các nỗ lực của bạn.

Cấu trúc tập dữ liệu

Sự phân chia dữ liệu trong Bộ dữ liệu phân đoạn vết nứt được trình bày như sau:

• Bộ đào tạo : Bao gồm 3717 hình ảnh có chú thích tương ứng.
• Bộ kiểm tra : Bao gồm 112 hình ảnh cùng với chú thích tương ứng.
• Bộ xác thực : Bao gồm 200 hình ảnh cùng 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. 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 và xử lý các vết nứt trên mặt đường để sửa chữa kịp thời.

Bộ dữ liệu YAML

Tệp YAML (Yet Another Markup Language) được sử dụng để phác thảo cấu hình của tập dữ liệu, bao gồm các chi tiết về đường dẫn, lớp và thông tin liên quan khác. Cụ thể, đối với tập dữ liệu Crack Segmentation, crack-seg.yaml tập tin được quản lý và có thể truy cập tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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, bạn có thể sử dụng các đoạn mã sau. Để biết danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Đào tạo mô hình.

from ultralytics import YOLO

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

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
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 bao gồm một bộ sưu tập đa dạng các hình ảnh và video được chụp từ nhiều góc nhìn. Dưới đây là các trường hợp dữ liệu từ bộ dữ liệu, kèm theo chú thích tương ứng:

• Hình ảnh này trình bày một ví dụ về phân đoạn đối tượng hình ảnh, có các hộp giới hạn được chú thích với mặt nạ phác thảo các đối tượng đã xác định. Bộ dữ liệu bao gồm một loạt hình ảnh đa dạng được chụp ở các địa điểm, môi trường và mật độ khác nhau, khiến nó trở thành một nguồn tài nguyên toàn diện để phát triển các mô hình được thiết kế cho nhiệm vụ cụ thể này.

• Ví dụ này nhấn mạnh tính đa dạng và phức tạp có trong tập dữ liệu phân đoạn Crack, nhấn mạnh vai trò quan trọng của dữ liệu chất lượng cao trong các tác vụ thị giác máy tính.

Trích dẫn và Lời cảm ơn

Nếu bạn kết hợp bộ dữ liệu phân đoạn vết nứt vào nỗ lực nghiên cứu hoặc phát triển của mình, vui lòng tham khảo bài báo sau:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    howpublished = { \url{ https://universe.roboflow.com/university-bswxt/crack-bphdr } },
    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 muốn ghi nhận Roboflow nhóm đã tạo và duy trì bộ dữ liệu Crack Segmentation như một nguồn tài nguyên có giá trị cho các dự án nghiên cứu và an toàn đường bộ. Để biết thêm thông tin về bộ dữ liệu Crack segmentation và những người tạo ra nó, hãy truy cập Trang bộ dữ liệu Crack Segmentation .

CÂU HỎI THƯỜNG GẶP

Cái gì là Roboflow Bộ dữ liệu phân đoạn vết nứt?

Bộ dữ liệu phân đoạn vết nứt Roboflow là bộ sưu tập toàn diện gồm 4029 hình ảnh tĩnh được thiết kế dành riêng cho các nghiên cứu về giao thông và an toàn công cộng. Bộ dữ liệu này lý tưởng cho các nhiệm vụ như phát triển mô hình xe tự lái và bảo trì cơ sở hạ tầng. Bộ dữ liệu bao gồm các bộ đào tạo, thử nghiệm và xác thực, hỗ trợ phát hiện và phân đoạn vết nứt chính xác.

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 một Ultralytics YOLO11 mô hình trên tập dữ liệu Crack Segmentation, hãy sử dụng các đoạn mã sau. Hướng dẫn chi tiết và các tham số khác có thể được tìm thấy trên trang Đào tạo mô hình.

from ultralytics import YOLO

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

# Train the model
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=crack-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Tại sao tôi nên sử dụng Bộ dữ liệu phân đoạn vết nứt cho dự án xe tự lái của mình?

Bộ dữ liệu phân đoạn vết nứt đặc biệt phù hợp cho các dự án xe tự lái do có bộ sưu tập đa dạng gồm 4029 hình ảnh đường và tường, cung cấp nhiều tình huống khác nhau. Sự đa dạng này nâng cao độ chính xác và độ bền của các mô hình được đào tạo để phát hiện vết nứt, rất quan trọng để duy trì an toàn đường bộ và đảm bảo sửa chữa cơ sở hạ tầng kịp thời.

Những tính năng độc đáo nào 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 tiên tiến giúp lý tưởng cho các tác vụ phân đoạn vết nứt. Khả năng xử lý các tập dữ liệu lớn và các tình huống phức tạp đảm bảo độ chính xác và hiệu quả cao. Ví dụ, các chế độ Đào tạo , Dự đoán và Xuất mô hình bao gồm các chức năng toàn diện từ đào tạo đến triển khai.

Làm thế nào để tôi trích dẫn Roboflow Bộ dữ liệu phân đoạn vết nứt trong bài nghiên cứu của tôi?

Nếu bạn kết hợp Bộ dữ liệu phân đoạn vết nứt vào nghiên cứu của mình, vui lòng sử dụng tài liệu tham khảo BibTeX sau:

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

Định dạng trích dẫn này đảm bảo sự công nhận thích hợp cho người tạo ra tập dữ liệu và thừa nhận việc sử dụng tập dữ liệu này trong nghiên cứu của bạn.

📅 Được tạo cách đây 10 tháng ✏️ Đã cập nhật cách đây 2 tháng

Bình luận