Набор данных для сегментации трещин
Набор данных Crack Segmentation Dataset, доступный на сайте Roboflow Universe, - это обширный ресурс, предназначенный для тех, кто занимается изучением транспорта и общественной безопасности. Он также полезен для разработки моделей самоуправляемых автомобилей или изучения различных приложений компьютерного зрения. Этот набор данных является частью более обширной коллекции, доступной нахабе данных Ultralytics .
Смотреть: Сегментация трещин с помощью Ultralytics YOLOv9.
Этот набор данных, состоящий из 4029 статических изображений, снятых с различных дорог и стен, представляет собой ценный ресурс для задач сегментации трещин. Если вы изучаете транспортную инфраструктуру или стремитесь повысить точность систем автономного вождения, этот набор данных представляет собой богатую коллекцию изображений для обучения моделей глубокого обучения.
Структура набора данных
Набор данных для сегментации трещин состоит из трех поднаборов:
- Обучающий набор: 3717 изображений с соответствующими аннотациями.
- Набор для тестирования: 112 изображений с соответствующими аннотациями.
- Валидационный набор: 200 изображений с соответствующими аннотациями.
Приложения
Сегментация трещин находит практическое применение в обслуживании инфраструктуры, помогая выявлять и оценивать структурные повреждения в зданиях, мостах и дорогах. Она также играет важную роль в повышении безопасности дорожного движения, позволяя автоматизированным системам обнаруживать трещины на дорожном покрытии для своевременного ремонта.
В промышленных условиях обнаружение трещин с помощью моделей глубокого обучения, таких как Ultralytics YOLO11 помогает обеспечить целостность зданий в строительстве, предотвратить дорогостоящие простои в производстве и сделать дорожные инспекции более безопасными и эффективными. Автоматическое выявление и классификация трещин позволяет группам технического обслуживания эффективно определять приоритеты ремонта, способствуя улучшению оценки моделей.
Набор данных YAML
A YAML (Yet Another Markup Language) определяет конфигурацию набора данных. В нем содержатся сведения о путях, классах и другой необходимой информации. Для набора данных Crack Segmentation файл crack-seg.yaml файл хранится по адресу 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
Использование
Чтобы обучить модель Ultralytics YOLO11n на наборе данных Crack Segmentation в течение 100 эпох с размером изображения 640, используйте следующее Python фрагменты кода. Полный список доступных аргументов и конфигураций, таких как настройка гиперпараметров, см. на странице документации по обучению модели.
Пример поезда
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
Образцы данных и аннотации
Набор данных Crack Segmentation содержит разнообразную коллекцию изображений, снятых с разных ракурсов и демонстрирующих различные типы трещин на дорогах и стенах. Вот несколько примеров:
-
На этом изображении демонстрируется сегментация экземпляров: аннотированные ограничительные рамки с масками, очерчивающими идентифицированные трещины. Набор данных включает изображения из разных мест и сред, что делает его всеобъемлющим ресурсом для разработки надежных моделей для этой задачи. Такие методы, как расширение данных, могут еще больше увеличить разнообразие наборов данных. Узнайте больше о сегментации и отслеживании экземпляров в нашем руководстве.
-
Этот пример подчеркивает разнообразие набора данных Crack Segmentation, подчеркивая важность высококачественных данных для обучения эффективных моделей компьютерного зрения.
Цитаты и благодарности
Если вы используете набор данных Crack Segmentation в своих исследованиях или разработках, пожалуйста, укажите источник соответствующим образом. Набор данных был предоставлен через 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 },
}
Мы благодарим команду Roboflow за предоставление набора данных Crack Segmentation, который является ценным ресурсом для сообщества компьютерного зрения, особенно для проектов, связанных с безопасностью дорожного движения и оценкой инфраструктуры.
ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ
Что такое набор данных для сегментации трещин?
Набор данных Crack Segmentation Dataset - это коллекция из 4029 статичных изображений, предназначенных для изучения транспорта и общественной безопасности. Она подходит для таких задач, как разработка моделей самоуправляемых автомобилей и обслуживание инфраструктуры. Она включает обучающие, тестовые и проверочные наборы для задач обнаружения и сегментации трещин.
Как обучить модель на наборе данных для сегментации трещин с помощью Ultralytics YOLO11 ?
Чтобы обучить Ultralytics YOLO11 на этом наборе данных, используйте предоставленные примеры на Python или CLI . Подробные инструкции и параметры доступны на странице обучения модели. Вы можете управлять процессом обучения с помощью таких инструментов, как Ultralytics HUB.
Пример поезда
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
Зачем использовать набор данных Crack Segmentation Dataset для проектов по созданию самоуправляемых автомобилей?
Этот набор данных ценен для проектов по созданию самоуправляемых автомобилей, поскольку содержит разнообразные изображения дорог и стен, охватывающие различные реальные сценарии. Такое разнообразие повышает устойчивость моделей, обученных для обнаружения трещин, что крайне важно для безопасности дорожного движения и оценки инфраструктуры. Подробные аннотации помогают в разработке моделей, способных точно определять потенциальные дорожные опасности.
Какие функции предлагает Ultralytics YOLO для сегментации трещин?
Ultralytics YOLO обеспечивает обнаружение, сегментацию и классификацию объектов в режиме реального времени, что делает его очень подходящим для задач сегментации трещин. Он эффективно обрабатывает большие массивы данных и сложные сценарии. Фреймворк включает в себя комплексные режимы обучения, прогнозирования и экспорта моделей. Безъякорный подход к обнаружению YOLO позволяет повысить эффективность работы с трещинами неправильной формы, а производительность может быть измерена с помощью стандартных метрик.
Как ссылаться на набор данных для сегментации трещин?
Если вы используете этот набор данных в своей работе, пожалуйста, приведите его в BibTeX, как указано выше, чтобы отдать должное создателям.
