Çatlak Segmentasyon Veri Seti
Roboflow Universe'te bulunan Çatlak Segmentasyonu Veri Kümesi, ulaşım ve kamu güvenliği çalışmalarına dahil olan kişiler için tasarlanmış kapsamlı bir kaynaktır. Ayrıca otonom sürüş araba modelleri geliştirmek veya çeşitli bilgisayar görüşü uygulamalarını keşfetmek için de faydalıdır. Bu veri kümesi, Ultralytics Veri Kümeleri Hub'ında bulunan daha geniş koleksiyonun bir parçasıdır.
İzle: Ultralytics YOLOv9 kullanarak çatlak segmentasyonu.
Çeşitli yol ve duvar senaryolarından yakalanan 4029 statik görüntüden oluşan bu veri seti, çatlak segmentasyonu görevleri için değerli bir varlıktır. İster ulaşım altyapısını araştırıyor, ister otonom sürüş sistemlerinin doğruluğunu artırmayı hedefliyor olun, bu veri seti derin öğrenme modellerini eğitmek için zengin bir görüntü koleksiyonu sağlar.
Veri Seti Yapısı
Çatlak Segmentasyonu Veri Kümesi üç alt kümeye ayrılmıştır:
- Eğitim seti: Karşılık gelen açıklamalarıyla 3717 resim.
- Test seti: Karşılık gelen açıklamaları içeren 112 resim.
- Doğrulama kümesi: Karşılık gelen açıklamaları olan 200 resim.
Uygulamalar
Çatlak segmentasyonu, altyapı bakımında pratik uygulamalar bulur ve binalar, köprüler ve yollardaki yapısal hasarın belirlenmesine ve değerlendirilmesine yardımcı olur. Ayrıca, zamanında onarım için otomatik sistemlerin kaldırım çatlaklarını tespit etmesini sağlayarak yol güvenliğini artırmada önemli bir rol oynar.
Endüstriyel ortamlarda, Ultralytics YOLO11 gibi derin öğrenme modellerini kullanarak çatlak tespiti, inşaatta bina bütünlüğünü sağlamaya yardımcı olur, üretimde maliyetli duruşları önler ve yol denetimlerini daha güvenli ve etkili hale getirir. Çatlakları otomatik olarak tanımlamak ve sınıflandırmak, bakım ekiplerinin onarımlara verimli bir şekilde öncelik vermesini sağlayarak daha iyi model değerlendirme içgörülerine katkıda bulunur.
Veri Seti YAML
Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlar. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında ayrıntılar içerir. Crack Segmentation veri kümesi için, crack-seg.yaml dosyası şu adreste tutulur: 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
Kullanım
640 görüntü boyutuyla 100 epok için Crack Segmentation veri kümesinde Ultralytics YOLO11n modelini eğitmek için aşağıdaki Python kod parçacıklarını kullanın. Mevcut argümanların ve hiperparametre ayarlama gibi yapılandırmaların kapsamlı bir listesi için model Eğitim belgelendirme sayfasına bakın.
Eğitim Örneği
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
Örnek Veri ve Açıklamalar
Çatlak Segmentasyonu veri kümesi, yollarda ve duvarlarda farklı türde çatlaklar sergileyen, çeşitli açılardan çekilmiş çeşitli görüntülerden oluşan bir koleksiyon içerir. İşte bazı örnekler:
-
Bu görüntü, tanımlanan çatlakları özetleyen maskelerle birlikte ek açıklamalı sınırlayıcı kutular içeren örnek segmentasyonunu göstermektedir. Veri kümesi, farklı konum ve ortamlardan görüntüleri içerir ve bu da onu bu görev için sağlam modeller geliştirmek için kapsamlı bir kaynak haline getirir. Veri artırma gibi teknikler, veri kümesi çeşitliliğini daha da artırabilir. Kılavuzumuzda örnek segmentasyonu ve izleme hakkında daha fazla bilgi edinin.
-
Örnek, Crack Segmentation veri kümesi içindeki çeşitliliği vurgulayarak, etkili bilgisayarlı görü modelleri eğitmek için yüksek kaliteli verilerin önemini vurgulamaktadır.
Alıntılar ve Teşekkürler
Çatlak Segmentasyonu veri kümesini araştırma veya geliştirme çalışmalarınızda kullanıyorsanız, lütfen kaynağı uygun şekilde belirtin. Veri kümesi Roboflow aracılığıyla kullanıma sunulmuştur:
@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 },
}
Yol güvenliği ve altyapı değerlendirmesi ile ilgili projeler başta olmak üzere, bilgisayar görme topluluğu için değerli bir kaynak sağlayan Crack Segmentation veri kümesini kullanıma sunduğu için Roboflow ekibine teşekkür ederiz.
SSS
Çatlak Segmentasyon Veri Kümesi Nedir?
Çatlak Segmentasyonu Veri Kümesi, ulaşım ve kamu güvenliği çalışmaları için tasarlanmış 4029 statik görüntüden oluşan bir koleksiyondur. Otonom sürüş araba modeli geliştirme ve altyapı bakımı gibi görevler için uygundur. Çatlak tespiti ve segmentasyon görevleri için eğitim, test ve doğrulama kümeleri içerir.
Ultralytics YOLO11 ile Çatlak Segmentasyon Veri Kümesini kullanarak bir modeli nasıl eğitirim?
Bu veri kümesinde bir Ultralytics YOLO11 modeli eğitmek için, sağlanan Python veya CLI örneklerini kullanın. Ayrıntılı talimatlar ve parametreler, model Eğitim sayfasında mevcuttur. Ultralytics HUB gibi araçları kullanarak eğitim sürecinizi yönetebilirsiniz.
Eğitim Örneği
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
Neden otonom sürüş araba projeleri için Çatlak Segmentasyon Veri Setini kullanmalısınız?
Bu veri kümesi, çeşitli gerçek dünya senaryolarını kapsayan çeşitli yol ve duvar görüntülerinden dolayı otonom sürüş araba projeleri için değerlidir. Bu çeşitlilik, yol güvenliği ve altyapı değerlendirmesi için çok önemli olan çatlak tespiti için eğitilmiş modellerin sağlamlığını artırır. Ayrıntılı açıklamalar, potansiyel yol tehlikelerini doğru bir şekilde tanımlayabilen modellerin geliştirilmesine yardımcı olur.
Ultralytics YOLO, çatlak segmentasyonu için hangi özellikleri sunar?
Ultralytics YOLO, gerçek zamanlı nesne algılama, segmentasyon ve sınıflandırma yetenekleri sağlayarak çatlak segmentasyonu görevleri için oldukça uygundur. Büyük veri kümelerini ve karmaşık senaryoları verimli bir şekilde işler. Çerçeve, Eğitim, Tahmin ve Dışa Aktarma modelleri için kapsamlı modlar içerir. YOLO'nun bağlantısız algılama yaklaşımı, çatlaklar gibi düzensiz şekillerde performansı artırabilir ve performans standart metrikler kullanılarak ölçülebilir.
Çatlak Segmentasyon Veri Kümesini nasıl kaynak gösterebilirim?
Bu veri kümesini çalışmanızda kullanıyorsanız, lütfen yaratıcılarına uygun şekilde atıfta bulunmak için yukarıda verilen BibTeX girdisini kullanarak atıfta bulunun.
