Сегментация трещин на бетоне с Improved UNet
Высокоточная сегментация трещин на изображениях бетона с использованием усовершенствованной архитектуры UNet.
О сервисе
Обзор проекта Данный глубокоучебный проект предназначен для обнаружения и сегментации трещин на изображениях бетона с использованием усовершенствованной архитектуры UNet. Модель демонстрирует исключительную производительность с коэффициентом Dice 99.77% и IoU 99.54%. Ключевые особенности Высокопроизводительный UNet: 4-уровневый кодер-декодер с BatchNorm и Dropout. Расширенная аугментация данных: 8 различных техник аугментации для повышения обобщающей способности. Автоматическая инверсия маски: Автоматическое обнаружение и обработка инвертированных масок. Комбинированная функция потерь: Взвешенная комбинация потерь Dice (60%) + BCE (40%). Надежная предобработка: Автоматическое определение пути к набору данных (локально/Google Colab). Комплексная валидация: Множественные метрики (Dice, IoU, F1, Precision, Recall). Готовность к использованию в продакшене: Простая функция вывода для новых предсказаний. Результаты МетрикаЗначениеDice Score99.77%IoU Score99.54%F1 Score99.77%Precision99.54%Recall100.00%Training Loss0.0162Validation Loss0.0139 Архитектура модели ImprovedUNet Вход: RGB изображения (3 канала, 256×256). Кодер: 4 уровня с сверткой + BatchNorm + ReLU + Dropout. «Бутылочное горлышко» (Bottleneck): Извлечение глубоких признаков. Декодер: 4 уровня с транспонированной сверткой + сквозные соединения. Выход: Бинарная маска сегментации (1 канал). Общее количество параметров: ~7.8M. Модель обучена на наборе данных, состоящем из 800 изображений бетона (256x256) и соответствующих масок трещин. Используемые техники аугментации включают горизонтальное и вертикальное отражение, повороты, аффинные преобразования, изменение цветовых характеристик и гауссово размытие. Оптимизатор AdamW с адаптивной скоростью обучения и комбинированной функцией потерь обеспечивают высокую производительность. Быстрый старт Пример использования модели для предсказания: Ссылки samir-mohamed/concrete-crack-segmentation Ссылки https:// https://huggingface.co/samir-mohamed/concrete-crack-segmentation Источник: https://qubu.ai/models/segmentatsiya-treschin-na-betone-s-improved-u-net License: MIT
