裂缝分割数据集

裂缝分割数据集可在 Roboflow Universe 上获取，是专为从事交通运输和公共安全研究的个人设计的广泛资源。它也有助于开发自动驾驶汽车模型或探索各种计算机视觉应用。该数据集是 Ultralytics 数据集中心上提供的更广泛集合的一部分。

观看： 使用 Ultralytics YOLOv9 进行裂缝分割。

该数据集包含从各种道路和墙壁场景中捕获的 4029 张静态图像，是裂缝分割任务的宝贵资产。无论您是研究交通基础设施，还是旨在提高自动驾驶系统的准确性，该数据集都为训练深度学习模型提供了丰富的图像集合。

数据集结构

裂缝分割数据集分为三个子集：

• 训练集: 包含 3717 张带有相应注释的图像。
• 测试集：112 张带有相应注释的图像。
• 验证集：包含 200 张带有相应注释的图像。

应用

裂缝分割在基础设施维护中具有实际应用，有助于识别和评估建筑物、桥梁和道路的结构损坏。它还在增强道路安全方面发挥着关键作用，使自动化系统能够检测路面裂缝，以便及时维修。

在工业环境中，使用像Ultralytics YOLO11这样的深度学习模型进行裂缝检测有助于确保建筑结构的完整性，防止制造业中代价高昂的停机时间，并使道路检查更安全、更有效。自动识别和分类裂缝使维护团队能够有效地确定维修的优先级，从而有助于更好地模型评估见解。

数据集 YAML

A YAML （Yet Another Markup Language）文件定义了数据集配置。它包括关于数据集的路径、类和其他相关信息的详细信息。对于 Crack Segmentation 数据集， crack-seg.yaml 文件保存在 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

用法

要在 Crack Segmentation 数据集上训练 Ultralytics YOLO11n 模型 100 个 epochs，图像大小为 640，请使用以下 Python 代码片段。有关可用参数和配置（如超参数调整）的完整列表，请参阅模型训练文档页面。

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

样本数据和注释

裂缝分割数据集包含从不同角度捕获的各种图像集合，展示了道路和墙壁上不同类型的裂缝。以下是一些示例：

• 此图展示了实例分割，其中包含带注释的边界框，以及勾勒出已识别裂缝的掩码。该数据集包含来自不同位置和环境的图像，使其成为开发此任务的强大模型的综合资源。诸如数据增强之类的技术可以进一步增强数据集的多样性。请在我们的指南中了解有关实例分割和跟踪的更多信息。

• 该示例突出了 Crack Segmentation 数据集中的多样性，强调了高质量数据对于训练有效的计算机视觉模型的重要性。

引用和致谢

如果您在研究或开发工作中使用 Crack Segmentation 数据集，请适当引用来源。该数据集通过 Roboflow 提供：

@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 },
}

我们感谢 Roboflow 团队提供 Crack Segmentation 数据集，为计算机视觉社区提供了一个宝贵的资源，特别是对于与道路安全和基础设施评估相关的项目。

常见问题

什么是裂缝分割数据集？

裂缝分割数据集是一个包含 4029 张静态图像的集合，专为交通运输和公共安全研究而设计。它适用于诸如自动驾驶汽车模型开发和基础设施维护等任务。它包括用于裂缝检测和分割任务的训练集、测试集和验证集。

如何使用 Ultralytics YOLO11 通过 Crack Segmentation Dataset 训练模型？

要在此数据集上训练 Ultralytics YOLO11 模型，请使用提供的 Python 或 CLI 示例。详细说明和参数可在模型训练页面上找到。您可以使用 Ultralytics HUB 等工具来管理您的训练过程。

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

为什么将裂缝分割数据集用于自动驾驶汽车项目？

此数据集包含道路和墙壁的各种图像，涵盖各种真实场景，因此对于自动驾驶汽车项目很有价值。这种多样性提高了为裂缝检测训练的模型的稳健性，这对于道路安全和基础设施评估至关重要。详细的注释有助于开发模型，从而准确识别潜在的道路危险。

Ultralytics YOLO 为裂缝分割提供哪些功能？

Ultralytics YOLO 提供实时目标检测、分割和分类功能，使其非常适合裂缝分割任务。它可以高效地处理大型数据集和复杂场景。该框架包括用于训练、预测和导出模型的综合模式。YOLO 的无锚框检测方法可以提高对裂缝等不规则形状的性能，并且可以使用标准指标来衡量性能。

如何引用裂缝分割数据集？

如果在您的工作中使用此数据集，请使用上面提供的BibTeX条目进行引用，以对创建者给予适当的感谢。

📅 创建于 1 年前 ✏️ 更新于 5 个月前

评论