Conjunto de Dados de Segmentação de Rachaduras
O Dataset de Segmentação de Rachaduras, disponível no Roboflow Universe, é um recurso extenso projetado para indivíduos envolvidos em estudos de transporte e segurança pública. Também é benéfico para desenvolver modelos de carros autônomos ou explorar várias aplicações de visão computacional. Este dataset faz parte da coleção mais ampla disponível no Datasets Hub da Ultralytics.
Assista: Segmentação de rachaduras usando Ultralytics YOLOv9.
Composto por 4029 imagens estáticas capturadas de diversos cenários de estradas e paredes, este conjunto de dados é um recurso valioso para tarefas de segmentação de rachaduras. Seja você pesquisando infraestrutura de transporte ou buscando aprimorar a precisão de sistemas de direção autônoma, este conjunto de dados fornece uma rica coleção de imagens para treinar modelos de aprendizado profundo.
Estrutura do Conjunto de Dados
O Dataset de Segmentação de Rachaduras é organizado em três subconjuntos:
- Conjunto de treinamento: 3717 imagens com anotações correspondentes.
- Conjunto de testes: 112 imagens com anotações correspondentes.
- Conjunto de validação: 200 imagens com anotações correspondentes.
Aplicações
A segmentação de rachaduras encontra aplicações práticas na manutenção de infraestruturas, auxiliando na identificação e avaliação de danos estruturais em edifícios, pontes e estradas. Também desempenha um papel crucial no aumento da segurança rodoviária, permitindo que sistemas automatizados detectem rachaduras no pavimento para reparos oportunos.
Em ambientes industriais, a detecção de rachaduras usando modelos de aprendizado profundo como o Ultralytics YOLO11 ajuda a garantir a integridade de edifícios na construção, evita paralisações dispendiosas na fabricação e torna as inspeções de estradas mais seguras e eficazes. A identificação e classificação automática de rachaduras permite que as equipes de manutenção priorizem os reparos de forma eficiente, contribuindo para melhores insights de avaliação do modelo.
YAML do Conjunto de Dados
A YAML Um arquivo (Yet Another Markup Language) define a configuração do conjunto de dados. Ele inclui detalhes sobre os caminhos, classes e outras informações relevantes do conjunto de dados. Para o conjunto de dados de Segmentação de Rachaduras, o crack-seg.yaml arquivo é mantido em 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 (91.6 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
Utilização
Para treinar o modelo Ultralytics YOLO11n no conjunto de dados Crack Segmentation por 100 épocas com um tamanho de imagem de 640, use os seguintes trechos de código Python. Consulte a página de documentação de Treinamento do modelo para obter uma lista abrangente de argumentos e configurações disponíveis, como ajuste de hiperparâmetros.
Exemplo de Treinamento
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
Dados de Amostra e Anotações
O dataset de Segmentação de Rachaduras contém uma coleção diversificada de imagens capturadas de várias perspectivas, mostrando diferentes tipos de rachaduras em estradas e paredes. Aqui estão alguns exemplos:
-
Esta imagem demonstra a segmentação de instâncias, apresentando caixas delimitadoras anotadas com máscaras delineando rachaduras identificadas. O conjunto de dados inclui imagens de diferentes locais e ambientes, tornando-o um recurso abrangente para desenvolver modelos robustos para esta tarefa. Técnicas como aumento de dados podem aprimorar ainda mais a diversidade do conjunto de dados. Saiba mais sobre segmentação e rastreamento de instâncias em nosso guia.
-
O exemplo destaca a diversidade dentro do conjunto de dados de Segmentação de Rachaduras, enfatizando a importância de dados de alta qualidade para treinar modelos de visão computacional eficazes.
Citações e Agradecimentos
Se você usar o conjunto de dados Crack Segmentation em seu trabalho de pesquisa ou desenvolvimento, cite a fonte de forma apropriada. O conjunto de dados foi disponibilizado via 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 },
}
Agradecemos à equipe da Roboflow por disponibilizar o conjunto de dados de Segmentação de Rachaduras, fornecendo um recurso valioso para a comunidade de visão computacional, particularmente para projetos relacionados à segurança rodoviária e avaliação de infraestrutura.
FAQ
O que é o Dataset de Segmentação de Fissuras?
O Dataset de Segmentação de Rachaduras é uma coleção de 4029 imagens estáticas projetadas para estudos de transporte e segurança pública. É adequado para tarefas como desenvolvimento de modelos de carros autônomos e manutenção de infraestrutura. Inclui conjuntos de treinamento, teste e validação para tarefas de detecção de rachaduras e segmentação.
Como faço para treinar um modelo usando o Dataset de Segmentação de Rachaduras com Ultralytics YOLO11?
Para treinar um modelo Ultralytics YOLO11 neste conjunto de dados, use os exemplos Python ou CLI fornecidos. Instruções detalhadas e parâmetros estão disponíveis na página de Treinamento do modelo. Você pode gerenciar seu processo de treinamento usando ferramentas como o Ultralytics HUB.
Exemplo de Treinamento
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
Por que usar o conjunto de dados de segmentação de rachaduras para projetos de carros autônomos?
Este conjunto de dados é valioso para projetos de carros autônomos devido às suas diversas imagens de estradas e paredes, cobrindo vários cenários do mundo real. Essa diversidade melhora a robustez dos modelos treinados para detecção de rachaduras, o que é crucial para a segurança rodoviária e avaliação de infraestrutura. As anotações detalhadas auxiliam no desenvolvimento de modelos que podem identificar com precisão potenciais perigos nas estradas.
Quais recursos o Ultralytics YOLO oferece para segmentação de fissuras?
O YOLO da Ultralytics fornece recursos de detecção de objetos, segmentação e classificação em tempo real, tornando-o altamente adequado para tarefas de segmentação de fissuras. Ele lida eficientemente com grandes conjuntos de dados e cenários complexos. A estrutura inclui modos abrangentes para Treinamento, Previsão e Exportação de modelos. A abordagem de detecção sem âncoras do YOLO pode melhorar o desempenho em formas irregulares como fissuras, e o desempenho pode ser medido usando métricas padrão.
Como cito o Dataset de Segmentação de Rachaduras?
Se você usar este conjunto de dados em seu trabalho, cite-o usando a entrada BibTeX fornecida acima para dar o crédito apropriado aos criadores.
