Çatlak Segmentasyon Veri Kümesi
Roboflow Universe'de bulunan Çatlak Segmentasyonu Veri Seti, ulaşım ve kamu güvenliği çalışmalarında yer alan kişiler için tasarlanmış kapsamlı bir kaynaktır. Ayrıca sürücüsüz araç modelleri geliştirmek veya çeşitli bilgisayarla görme uygulamalarını keşfetmek için de faydalıdır. Bu veri kümesi, Ultralytics VeriKümeleri Merkezi'nde bulunan daha geniş koleksiyonun bir parçasıdır.
İzle: Ultralytics YOLOv9 kullanarak çatlak segmentasyonu.
Çeşitli yol ve duvar senaryolarından çekilen 4029 statik görüntüden oluşan bu veri seti, çatlak segmentasyon görevleri için değerli bir varlıktır. İster ulaşım altyapısını araştırıyor ister otonom sürüş sistemlerinin doğruluğunu artırmayı hedefliyor olun, bu veri kümesi derin öğrenme modellerini eğitmek için zengin bir görüntü koleksiyonu sağlar.
Veri Kümesi Yapısı
Çatlak Segmentasyonu Veri Kümesi üç alt küme halinde düzenlenmiştir:
- Eğitim seti: 3717 görüntü ve ilgili ek açıklamalar.
- Test seti: İlgili ek açıklamalarla birlikte 112 görüntü.
- Doğrulama seti: İlgili açıklamalarla birlikte 200 görüntü.
Uygulamalar
Çatlak segmentasyonu, binalarda, köprülerde ve yollarda yapısal hasarın belirlenmesine ve değerlendirilmesine yardımcı olarak altyapı bakımında pratik uygulamalar bulur. Ayrıca, otomatik sistemlerin zamanında onarım için kaldırım çatlaklarını tespit etmesini sağlayarak yol güvenliğini artırmada önemli bir rol oynar.
Endüstriyel ortamlarda, aşağıdaki gibi derin öğrenme modelleri kullanılarak çatlak tespiti Ultralytics YOLO11 inşaatta bina bütünlüğünün sağlanmasına yardımcı olur, üretimde maliyetli duruş sürelerini önler ve yol denetimlerini daha güvenli ve daha etkili hale getirir. Çatlakların otomatik olarak tanımlanması ve sınıflandırılması, bakım ekiplerinin onarımları verimli bir şekilde önceliklendirmesine olanak tanıyarak daha iyi model değerlendirme içgörülerine katkıda bulunur.
Veri Kümesi YAML
A YAML (Yet Another Markup Language) dosyası veri kümesi yapılandırmasını tanımlar. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında ayrıntılar içerir. Çatlak Segmentasyonu 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 (91.2 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
Kullanım
Ultralytics YOLO11n modelini 640 görüntü boyutuyla 100 epok için Çatlak Segmentasyonu veri kümesi üzerinde eğitmek için aşağıdakileri kullanın Python kod parçacıkları. Hiperparametre ayarı gibi mevcut argümanların ve yapılandırmaların kapsamlı bir listesi için Model Eğitimi dokümantasyon sayfasına bakın.
Tren 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 Veriler ve Açıklamalar
Çatlak Segmentasyonu veri kümesi, yollar ve duvarlardaki farklı çatlak türlerini sergileyen çeşitli perspektiflerden çekilmiş görüntülerden oluşan çeşitli bir koleksiyon içerir. İşte bazı örnekler:
-
Bu görüntü, tanımlanmış çatlakları özetleyen maskeler ile açıklamalı sınırlayıcı kutular içeren örnek segmentasyonunu göstermektedir. Veri kümesi, farklı konumlardan ve ortamlardan görüntüler içerdiğinden, bu görev için sağlam modeller geliştirmek için kapsamlı bir kaynaktır. Veri artırma gibi teknikler veri kümesi çeşitliliğini daha da artırabilir. Kılavuzumuzda örnek segmentasyonu ve izleme hakkında daha fazla bilgi edinin.
-
Bu örnek, Crack Segmentation veri setindeki çeşitliliği vurgulayarak etkili bilgisayarla görme modellerinin eğitimi için yüksek kaliteli verilerin önemini ortaya koymaktadır.
Atıflar ve Teşekkür
Araştırma veya geliştirme çalışmalarınızda Çatlak Segmentasyonu veri setini kullanırsanız, lütfen kaynağa uygun şekilde atıfta bulunun. Veri seti 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 },
}
Roboflow ekibine, özellikle yol güvenliği ve altyapı değerlendirmesi ile ilgili projeler için bilgisayarla görme topluluğuna değerli bir kaynak sağlayan Çatlak Segmentasyonu veri setini kullanıma sundukları için teşekkür ederiz.
SSS
Çatlak Segmentasyon Veri Seti nedir?
Çatlak Segmentasyonu Veri Seti, ulaşım ve kamu güvenliği çalışmaları için tasarlanmış 4029 statik görüntüden oluşan bir koleksiyondur. Sürücüsüz araç modeli geliştirme ve altyapı bakımı gibi görevler için uygundur. Çatlak algılama ve segmentasyon görevleri için eğitim, test ve doğrulama setlerini içerir.
Ultralytics YOLO11 ile Çatlak Segmentasyonu Veri Setini kullanarak bir modeli nasıl eğitebilirim?
Eğitmek için Ultralytics YOLO11 modelini bu veri kümesi üzerinde çalıştırmak için sağlanan Python veya CLI örneklerini kullanın. Ayrıntılı talimatlar ve parametreler model Eğitim sayfasında mevcuttur. Ultralytics HUB gibi araçları kullanarak eğitim sürecinizi yönetebilirsiniz.
Tren 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
Sürücüsüz araç projeleri için neden Çatlak Segmentasyon Veri Seti kullanılmalı?
Bu veri seti, çeşitli gerçek dünya senaryolarını kapsayan çeşitli yol ve duvar görüntüleri nedeniyle sürücüsüz araç projeleri için değerlidir. Bu çeşitlilik, yol güvenliği ve altyapı değerlendirmesi için çok önemli olan çatlak tespiti için eğitilen modellerin sağlamlığını artırır. Ayrıntılı ek açıklamalar, potansiyel yol tehlikelerini doğru bir şekilde belirleyebilen modellerin geliştirilmesine yardımcı olur.
Ultralytics YOLO çatlak segmentasyonu için hangi özellikleri sunuyor?
Ultralytics YOLO , gerçek zamanlı nesne algılama, segmentasyon ve sınıflandırma yetenekleri sağlayarak çatlak segmentasyon görevleri için son derece uygundur. Büyük veri kümelerini ve karmaşık senaryoları verimli bir şekilde ele alır. Çerçeve, Eğitim, Tahmin ve Dışa Aktarma modelleri için kapsamlı modlar içerir. YOLO'nun çapasız algılama yaklaşımı, çatlaklar gibi düzensiz şekillerde performansı artırabilir ve performans standart metrikler kullanılarak ölçülebilir.
Çatlak Segmentasyon Veri Setinden nasıl alıntı yapabilirim?
Bu veri setini çalışmanızda kullanıyorsanız, lütfen yukarıda verilen BibTeX girişini kullanarak yaratıcılara uygun kredi vermek için alıntı yapın.