مجموعة بيانات تجزئة الشقوق

تعد مجموعة بيانات تجزئة الشقوق، المتوفرة على Roboflow Universe، موردًا واسع النطاق مصممًا للأفراد المشاركين في دراسات النقل والسلامة العامة. كما أنه مفيد لتطوير نماذج السيارات ذاتية القيادة أو استكشاف تطبيقات رؤية الكمبيوتر المختلفة. تعد مجموعة البيانات هذه جزءًا من المجموعة الأوسع المتوفرة في Datasets Hub الخاص بـ Ultralytics.

شاهد: تجزئة الشقوق باستخدام Ultralytics YOLOv9.

تتكون هذه المجموعة من البيانات من 4029 صورة ثابتة تم التقاطها من سيناريوهات طرق وجدران متنوعة، وهي أصل قيم لمهام تجزئة الشقوق. سواء كنت تبحث في البنية التحتية للنقل أو تهدف إلى تحسين دقة أنظمة القيادة الذاتية، فإن هذه المجموعة من البيانات توفر مجموعة غنية من الصور لتدريب نماذج التعلم العميق.

هيكل مجموعة البيانات

تم تنظيم مجموعة بيانات تجزئة الشقوق في ثلاث مجموعات فرعية:

• مجموعة التدريب: 3717 صورة مع الشروح التوضيحية المقابلة.
• مجموعة الاختبار: 112 صورة مع الشروح المقابلة.
• مجموعة التحقق: 200 صورة مع الشروح التوضيحية المقابلة.

التطبيقات

تجد تجزئة الشقوق تطبيقات عملية في صيانة البنية التحتية، مما يساعد في تحديد وتقييم الأضرار الهيكلية في المباني والجسور والطرق. كما أنها تلعب دورًا حاسمًا في تعزيز السلامة على الطرق من خلال تمكين الأنظمة الآلية من اكتشاف تشققات الرصيف لإجراء الإصلاحات في الوقت المناسب.

في البيئات الصناعية، يساعد اكتشاف الشقوق باستخدام نماذج التعلم العميق مثل Ultralytics YOLO11 في ضمان سلامة المباني في الإنشاءات، ويمنع فترات التوقف المكلفة في التصنيع، ويجعل عمليات فحص الطرق أكثر أمانًا وفعالية. يتيح التحديد والتصنيف التلقائي للشقوق لفرق الصيانة تحديد أولويات الإصلاحات بكفاءة، مما يساهم في تحسين رؤى تقييم النموذج.

ملف YAML لمجموعة البيانات

أ YAML ملف (Yet Another Markup Language) يحدد تكوين مجموعة البيانات. يتضمن تفاصيل حول مسارات مجموعة البيانات وفئاتها ومعلومات أخرى ذات صلة. بالنسبة لمجموعة بيانات تجزئة الشقوق، فإن crack-seg.yaml يتم الاحتفاظ بالملف في 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

الاستخدام

لتدريب نموذج Ultralytics YOLO11n على مجموعة بيانات تجزئة الشقوق لعدد 100 حقبة (epochs) بحجم صورة 640، استخدم مقتطفات كود Python التالية. ارجع إلى صفحة وثائق التدريب الخاصة بالنموذج للحصول على قائمة شاملة بالوسائط والتكوينات المتاحة مثل ضبط المعلمات الفائقة (hyperparameter tuning).

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

نماذج من البيانات والتعليقات التوضيحية

تحتوي مجموعة بيانات تجزئة الشقوق على مجموعة متنوعة من الصور الملتقطة من وجهات نظر مختلفة، تعرض أنواعًا مختلفة من الشقوق على الطرق والجدران. فيما يلي بعض الأمثلة:

• توضح هذه الصورة تجزئة المثيلات، وتتميز بـ مربعات محيطة مشروحة بأقنعة تحدد الشقوق المحددة. تتضمن مجموعة البيانات صورًا من مواقع وبيئات مختلفة، مما يجعلها موردًا شاملاً لتطوير نماذج قوية لهذه المهمة. يمكن لتقنيات مثل زيادة البيانات أن تعزز تنوع مجموعة البيانات بشكل أكبر. تعرف على المزيد حول تجزئة المثيلات وتتبعها في دليلنا.

• يسلط المثال الضوء على التنوع داخل مجموعة بيانات Crack Segmentation، مع التأكيد على أهمية البيانات عالية الجودة لتدريب نماذج رؤية الكمبيوتر الفعالة.

الاقتباسات والإقرارات

إذا كنت تستخدم مجموعة بيانات تجزئة الشقوق في عملك البحثي أو التطويري، فيرجى الاستشهاد بالمصدر بشكل مناسب. تم توفير مجموعة البيانات عبر Roboflow:

@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 },
}

نتوجه بالشكر إلى فريق Roboflow لإتاحة مجموعة بيانات تجزئة الشقوق، وتوفير مورد قيم لمجتمع رؤية الحاسوب، وخاصة للمشاريع المتعلقة بالسلامة على الطرق وتقييم البنية التحتية.

الأسئلة الشائعة

ما هي مجموعة بيانات تجزئة الشقوق (Crack Segmentation Dataset)؟

مجموعة بيانات تجزئة الشقوق هي عبارة عن مجموعة من 4029 صورة ثابتة مصممة لدراسات النقل والسلامة العامة. إنها مناسبة لمهام مثل تطوير نموذج السيارة ذاتية القيادة وصيانة البنية التحتية. وهي تتضمن مجموعات التدريب والاختبار والتحقق من الصحة لمهام الكشف عن الشقوق و تجزئتها.

كيف يمكنني تدريب نموذج باستخدام مجموعة بيانات تجزئة الشقوق مع Ultralytics YOLO11؟

لتدريب نموذج Ultralytics YOLO11 على مجموعة البيانات هذه، استخدم أمثلة Python أو CLI المتوفرة. تتوفر إرشادات ومعلمات مفصلة في صفحة التدريب الخاصة بالنموذج. يمكنك إدارة عملية التدريب الخاصة بك باستخدام أدوات مثل Ultralytics HUB.

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

لماذا نستخدم مجموعة بيانات تجزئة الشقوق لمشاريع السيارات ذاتية القيادة؟

تعتبر مجموعة البيانات هذه ذات قيمة لمشاريع السيارات ذاتية القيادة نظرًا لصورها المتنوعة للطرق والجدران، والتي تغطي سيناريوهات واقعية مختلفة. يحسن هذا التنوع من قوة النماذج المدربة على اكتشاف الشقوق، وهو أمر بالغ الأهمية لسلامة الطرق وتقييم البنية التحتية. تساعد الشروحات التفصيلية في تطوير النماذج التي يمكنها تحديد المخاطر المحتملة على الطريق بدقة.

ما هي الميزات التي يقدمها Ultralytics YOLO لتجزئة الشقوق؟

توفر Ultralytics YOLO إمكانات الكشف عن الأجسام وتقسيمها وتصنيفها في الوقت الفعلي، مما يجعلها مناسبة للغاية لمهام تقسيم الشقوق. تتعامل بكفاءة مع مجموعات البيانات الكبيرة والسيناريوهات المعقدة. يتضمن الإطار أوضاعًا شاملة للتدريب و التوقع و تصدير النماذج. يمكن لنهج الكشف الخالي من المرساة الخاص بـ YOLO تحسين الأداء على الأشكال غير المنتظمة مثل الشقوق، ويمكن قياس الأداء باستخدام مقاييس قياسية.

كيف يمكنني الاستشهاد بمجموعة بيانات تجزئة الشقوق؟

إذا كنت تستخدم مجموعة البيانات هذه في عملك، فيرجى الاستشهاد بها باستخدام إدخال BibTeX المتوفر أعلاه لمنح الرصيد المناسب للمبدعين.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 3 أشهر

تعليقات