裂缝分割数据集
Roboflow Universe 上提供的裂缝分割数据集是专为从事交通和公共安全研究的人员设计的广泛资源。它还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 Datasets Hub 上更广泛的数据集的一部分。
观看： 使用Ultralytics YOLOv9 进行裂缝分割。
该数据集由 4029 幅从不同道路和墙壁场景中捕获的静态图像组成，是裂缝分割任务的宝贵财富。无论您是在研究交通基础设施，还是旨在提高自动驾驶系统的准确性，该数据集都能为训练深度学习模型提供丰富的图像。
数据集结构
裂缝分割数据集分为三个子集：
- 训练集：3717 幅图像及相应注释。
- 测试集：112 幅图像及相应注释。
- 验证集：200 张带有相应注释的图像。
应用
裂缝分割技术可实际应用于基础设施维护，帮助识别和评估建筑物、桥梁和道路的结构性损坏。它还能使自动系统检测路面裂缝，以便及时维修，在提高道路安全方面发挥着至关重要的作用。
在工业环境中，使用深度学习模型（如 Ultralytics YOLO11等深度学习模型进行裂缝检测，有助于确保建筑施工中建筑物的完整性，避免制造业中代价高昂的停机时间，并使道路检测更安全、更有效。自动识别裂缝并对其进行分类，可以让维护团队高效地确定维修的优先顺序，从而有助于获得更好的模型评估见解。
数据集 YAML
A YAML (另一种标记语言）文件定义了数据集配置。它包括数据集的路径、类和其他相关信息的详细信息。对于裂缝分割数据集，文件 crack-seg.yaml 文件保存在 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
使用方法
要在裂缝分割数据集上对Ultralytics YOLO11n 模型进行 100次历时训练（图像大小为 640），请使用以下方法 Python代码片段。有关可用参数和超参数调整等配置的完整列表，请参阅模型训练文档页面。
列车示例
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拍摄的各种图像，展示了道路和墙壁上不同类型的裂缝。下面是一些示例：
-
这幅图像展示了实例分割，其特点是注释了边界框，并用掩膜勾勒出识别出的裂缝。该数据集包含来自不同地点和环境的图像，是为这项任务开发稳健模型的综合资源。数据增强等技术可进一步提高数据集的多样性。在我们的指南中了解有关实例分割和跟踪的更多信息。
-
该示例突出了裂缝分割数据集的多样性，强调了高质量数据对于训练有效计算机视觉模型的重要性。
引文和致谢
如果您在研究或开发工作中使用裂缝分割数据集，请适当注明出处。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 团队提供裂缝分割数据集，为计算机视觉界，尤其是与道路安全和基础设施评估相关的项目提供了宝贵的资源。
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 幅静态图像的集合，专为交通和公共安全研究而设计。它适用于自动驾驶汽车模型开发和基础设施维护等任务。它包括裂缝检测和分割任务的训练集、测试集和验证集。
如何通过Ultralytics YOLO11 使用裂缝分割数据集训练模型？
培训 Ultralytics YOLO11模型，请使用提供的Python 或CLI 示例。模型训练页面上有详细说明和参数。您可以使用Ultralytics HUB 等工具管理训练过程。
列车示例
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
为什么在自动驾驶汽车项目中使用裂缝分割数据集？
该数据集具有多种道路和墙壁图像，涵盖各种真实世界场景，因此对自动驾驶汽车项目非常有价值。这种多样性提高了为裂缝检测而训练的模型的鲁棒性，而裂缝检测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能够准确识别潜在道路危险的模型。
Ultralytics YOLO 在裂缝细分方面有哪些功能？
Ultralytics YOLO 具有实时对象检测、分割和分类功能，非常适合裂缝分割任务。它能有效处理大型数据集和复杂场景。该框架包括用于训练、预测和输出模型的综合模式。YOLO 的无锚点检测方法可提高裂缝等不规则形状的检测性能，并可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该数据集，请使用上面提供的 BibTeX 条目进行引用，以向创建者致谢。
