tomrb/yolov8to_data

---
license: mit
size_categories:
- 10K<n<100K
viewer: false
---
# Dataset Card for YOLOv8-TO_Data

<!-- Provide a quick summary of the dataset. -->

The TopOpt Datasets Collection comprises several datasets utilized to evaluate the performance and generalization capabilities of machine learning models specifically tailored for topology optimization (TO). This collection is designed to test models across various TO methods and structural complexities, from optimized structures to random assemblies and out-of-distribution (OOD) samples.

## Dataset Details

### Dataset Description

- **Created by:** Thomas Rochefort-Beaudoin
- **License:** MIT
- **Datasets**
- ***MMC Dataset***
Description: The MMC (Minimum Compliance) dataset is derived using the MMC method as the basis for the training dataset, where the segmentation labels are generated from black-and-white density projections obtained via a Heaviside projection.
Split: 80% training, 10% validation, 10% testing
Usage: Model training and evaluation
- ***Random Assembly Dataset***
Description: This dataset consists of assemblies composed of randomly distributed components, generated to allow for cost-effective training data production. The design variables sampled randomly define the segmentation labels for detection and regression tasks.
Usage: Training only
- ***SIMP Dataset***
Description: Generated using the Solid Isotropic Material with Penalization (SIMP) method, this dataset includes 2000 TO structures, allowing to test the model's capability as a general post-processing tool.
Samples: 2000
Usage: Testing
- ***Low Volume Fraction SIMP Dataset (SIMP5%)***
Description: Comprising 2000 random SIMP samples with a low volume fraction (5%), this dataset features thin structures that simulate "truss-like" properties suitable for comparison against skeletonization approaches.
Samples: 2000
Usage: Testing
- ***Out-of-Distribution (OOD) Dataset***
Description: This dataset includes 4 TO structure images from the literature, featuring complex structures like 2D femur structures and cantilever beams optimized under various constraints to test the model's generalization capabilities.
Samples: 4
Usage: Testing

### Dataset Sources [optional]

<!-- Provide the basic links for the dataset. -->

- **Repository:** https://github.com/COSIM-Lab/YOLOv8-TO
- **Paper:** https://arxiv.org/pdf/2404.18763
- **Demo:** [WORK IN PROGRESS]

## Uses

<!-- Address questions around how the dataset is intended to be used. -->

### Direct Use

<!-- This section describes suitable use cases for the dataset. -->

[More Information Needed]

## Dataset Structure

<!-- This section provides a description of the dataset fields, and additional information about the dataset structure such as criteria used to create the splits, relationships between data points, etc. -->

[More Information Needed]

## Dataset Creation

### Source Data

<!-- This section describes the source data (e.g. news text and headlines, social media posts, translated sentences, ...). -->

#### Data Collection and Processing

<!-- This section describes the data collection and processing process such as data selection criteria, filtering and normalization methods, tools and libraries used, etc. -->

[More Information Needed]

### Recommendations

<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->

Users should be made aware of the risks, biases and limitations of the dataset. More information needed for further recommendations.

## Citation [optional]

<!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. -->

**BibTeX:**

```
@misc{rochefortbeaudoin2024density,
title={From Density to Geometry: YOLOv8 Instance Segmentation for Reverse Engineering of Optimized Structures},
author={Thomas Rochefort-Beaudoin and Aurelian Vadean and Sofiane Achiche and Niels Aage},
year={2024},
eprint={2404.18763},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
```

---
许可证：MIT协议
数据集规模类别：
- 10000 < 样本数量 < 100000
数据查看器：已禁用
---

# YOLOv8-拓扑优化（Topology Optimization, TO）数据集卡片

<!-- 提供本数据集的快速摘要。 -->

拓扑优化数据集集合（TopOpt Datasets Collection）包含多个数据集，用于评估专为拓扑优化（Topology Optimization, TO）打造的机器学习模型的性能与泛化能力。该集合旨在针对各类拓扑优化方法与结构复杂度测试模型，涵盖优化结构、随机装配结构与分布外（Out-of-Distribution, OOD）样本。

## 数据集详情

### 数据集描述
- **创建者：** 托马斯·罗什福-博杜安（Thomas Rochefort-Beaudoin）
- **许可证：** MIT协议
- **数据集列表**
- **MMC数据集**
描述：MMC（最小柔顺性，Minimum Compliance）数据集以MMC方法为基础构建为训练数据集，其分割标签通过亥维赛投影（Heaviside projection）得到的黑白密度投影生成。
划分比例：80%训练集、10%验证集、10%测试集
用途：模型训练与评估
- **随机装配数据集**
描述：本数据集由随机分布的构件组成的装配体构成，旨在以低成本方式生成训练数据。通过随机采样得到的设计变量，为检测与回归任务生成分割标签。
用途：仅用于训练
- **SIMP数据集**
描述：本数据集通过固体各向同性材料惩罚（Solid Isotropic Material with Penalization, SIMP）方法生成，包含2000个拓扑优化结构，可用于测试模型作为通用后处理工具的性能。
样本量：2000
用途：仅用于测试
- **低体积分数SIMP数据集（SIMP5%）**
描述：该数据集包含2000个体积分数为5%的随机SIMP样本，其结构为薄壁结构，模拟了"桁架类"特性，适用于与骨架化方法进行对比。
样本量：2000
用途：仅用于测试
- **分布外（Out-of-Distribution, OOD）数据集**
描述：本数据集包含4篇文献中的拓扑优化结构图像，涵盖二维股骨结构、悬臂梁等在多种约束下优化得到的复杂结构，用于测试模型的泛化能力。
样本量：4
用途：仅用于测试

## 数据集来源[可选]
<!-- 提供本数据集的基础链接。 -->
- **代码仓库：** https://github.com/COSIM-Lab/YOLOv8-TO
- **相关论文：** https://arxiv.org/pdf/2404.18763
- **演示程序：** [开发中]

## 数据集用途
<!-- 阐述本数据集的预期使用场景相关问题。 -->
### 直接使用
<!-- 本节描述本数据集的适用用例。 -->
[需补充更多信息]

## 数据集结构
<!-- 本节描述数据集的字段信息，以及其他相关结构细节，如数据集划分标准、数据点间的关联关系等。 -->
[需补充更多信息]

## 数据集构建
### 源数据
<!-- 本节描述源数据（例如新闻文本与标题、社交媒体帖子、翻译句子等）。 -->
#### 数据收集与处理流程
<!-- 本节描述数据收集与处理过程，如数据选择标准、过滤与归一化方法、使用的工具与库等。 -->
[需补充更多信息]

### 使用建议
<!-- 本节用于传达有关偏差、风险与技术局限性的相关建议。 -->
使用者需知晓本数据集存在的风险、偏差与局限性，相关进一步建议尚需补充完善。

## 引用信息[可选]
<!-- 如果有介绍本数据集的论文或博客文章，需在此处提供APA与BibTeX格式的引用信息。 -->
**BibTeX格式引用：**

@misc{rochefortbeaudoin2024density,
title={From Density to Geometry: YOLOv8 Instance Segmentation for Reverse Engineering of Optimized Structures},
author={Thomas Rochefort-Beaudoin and Aurelian Vadean and Sofiane Achiche and Niels Aage},
year={2024},
eprint={2404.18763},
archivePrefix={arXiv},
primaryClass={cs.CV}
}

原始信息汇总

数据集概述

数据集名称： YOLOv8-TO_Data

创建者： Thomas Rochefort-Beaudoin

许可证： MIT

数据集大小： 10K<n<100K

数据集内容

MMC Dataset

• 描述： 使用MMC方法生成的训练数据集，通过Heaviside投影获得黑白密度投影生成分割标签。
• 分割： 80%训练，10%验证，10%测试
• 用途： 模型训练和评估

Random Assembly Dataset

• 描述： 由随机分布的组件组成的装配体，用于成本效益的训练数据生产。
• 用途： 仅用于训练

SIMP Dataset

• 描述： 使用SIMP方法生成，包含2000个TO结构，用于测试模型作为通用后处理工具的能力。
• 样本数： 2000
• 用途： 测试

Low Volume Fraction SIMP Dataset (SIMP5%)

• 描述： 包含2000个低体积分数（5%）的随机SIMP样本，模拟“桁架状”属性，适合与骨架化方法比较。
• 样本数： 2000
• 用途： 测试

Out-of-Distribution (OOD) Dataset

• 描述： 包含4个来自文献的TO结构图像，包括复杂的2D股骨结构和悬臂梁，用于测试模型的泛化能力。
• 样本数： 4
• 用途： 测试

数据集来源

• 仓库： https://github.com/COSIM-Lab/YOLOv8-TO
• 论文： https://arxiv.org/pdf/2404.18763

引用信息

BibTeX：

@misc{rochefortbeaudoin2024density, title={From Density to Geometry: YOLOv8 Instance Segmentation for Reverse Engineering of Optimized Structures}, author={Thomas Rochefort-Beaudoin and Aurelian Vadean and Sofiane Achiche and Niels Aage}, year={2024}, eprint={2404.18763}, archivePrefix={arXiv}, primaryClass={cs.CV} }

搜集汇总

数据集介绍

构建方式

tomrb/yolov8to_data数据集的构建，采用了基于MMC方法、随机组装、SIMP方法等多种技术手段。 MMC数据集通过黑白色密度投影生成分割标签，而随机组装数据集则通过随机分布的组件生成，以实现成本效益高的训练数据生产。SIMP数据集则利用SIMP方法生成2000个TO结构，用于测试模型的泛化能力。

特点

该数据集的特点在于其多样性和综合性。它包含了不同方法生成的结构数据，既有用于模型训练的 MMC和随机组装数据集，也有用于测试的SIMP数据集和低体积分数SIMP数据集，以及用于评估模型泛化能力的OOD数据集。数据集的样本量适中，有利于模型的训练和评估。

使用方法

在使用tomrb/yolov8to_data数据集时，用户可以根据不同的训练和测试需求选择相应的数据子集。例如，MMC数据集和随机组装数据集适用于模型训练，而SIMP数据集等则适用于模型测试。用户可以从数据集的GitHub仓库获取数据，并根据提供的文档进行相应的数据处理和模型训练。

背景与挑战

背景概述

YOLOv8-TO_Data数据集，由Thomas Rochefort-Beaudoin创建，是在YOLOv8-TO论文研究框架下构建的。该数据集旨在为模型训练与评估提供训练和测试集，包含MMC、随机组装、SIMP等多个子数据集，涵盖了两千个样本，其核心研究问题是从密度到几何形状的逆向工程，以实现对优化结构的实例分割。该数据集的构建，对于结构优化与计算机视觉领域，提供了有力的实验基础，并在学术界产生了广泛的影响。

当前挑战

在领域问题上，YOLOv8-TO_Data数据集面临的挑战包括如何准确地进行优化结构的实例分割，以及如何提高模型对不同类型结构的泛化能力。在构建过程中，研究者们遇到的挑战包括如何生成具有代表性的训练样本，特别是在处理设计变量和回归任务时，如何优化数据集的结构以适应模型的训练需求。此外，对于低体积分数SIMP数据集和分布外数据集的处理，也是该数据集构建过程中的重要挑战。

常用场景

经典使用场景

在计算机视觉与机器学习领域，tomrb/yolov8to_data数据集以其独特的结构优化特性，被广泛用于模型的训练与评估。该数据集涵盖了 MMC、随机组装、SIMP 以及低体积分数SIMP等多种类型的数据，其核心应用在于对优化结构的实例分割任务，尤其是对于复杂结构识别与分类任务，提供了丰富的训练样本。

解决学术问题

该数据集有效解决了优化结构逆向工程中的关键学术问题，如如何准确识别和分割复杂的三维结构。通过对不同类型的数据集进行训练和测试，tomrb/yolov8to_data不仅提高了模型的泛化能力，还验证了模型在处理实际工程问题时的鲁棒性，对学术研究具有重要的推动作用。

衍生相关工作

基于tomrb/yolov8to_data数据集的研究衍生出了众多经典工作，如针对不同优化结构的识别算法、结构分割的优化策略等。这些相关工作进一步拓展了该数据集的应用范围，推动了计算机视觉在结构工程领域的深入融合与发展。