مجموعة بيانات تقسيم التشققات#

4,028

Crack-Seg

ultralytics

publicSegment

Official Ultralytics Crack Segmentation dataset with 4,028 unique road and wall images, 4,027 labeled images, one background image, and 5,289 polygon instances for the single crack class. The 4,029-file source contains one byte-identical test-image pair with identical labels, which Platform deduplicates. Includes 3,717 train, 200 validation, and 111 test images after deduplication; sourced from the University crack dataset published through Roboflow.

1 class171.3 MBAug 21, 2026

crack

instance-segmentationcracksinfrastructure+1

توفر مجموعة بيانات تجزئة الشقوق من Ultralytics 4,029 صورة معلقة للشقوق على الطرق والجدران لتدريب نماذج تجزئة المثيلات على فئة crack واحدة. تم التقاطها عبر سيناريوهات مختلفة للأرصفة والهياكل، وهي تتوافق مباشرة مع Ultralytics YOLO لحالات الاستخدام بدءًا من سلامة النقل وإدراك السيارات ذاتية القيادة وحتى صيانة البنية التحتية والفحص الهيكلي باستخدام رؤية الحاسوب.

هيكل مجموعة البيانات#

تقسم مجموعة بيانات Crack Segmentation صورها البالغ عددها 4,029 صورة على النحو التالي:

• مجموعة التدريب: 3,717 صورة تستخدم لتدريب نموذج التعلم العميق.
• مجموعة التحقق من الصحة: 200 صورة تستخدم أثناء التدريب لضبط المعلمات الفائقة ومنع التجهيز المفرط.
• مجموعة الاختبار: 112 صورة محتجزة لتقييم النموذج بعد التدريب.
• الفئات: فئة crack واحدة تغطي كل شق معلق على الطرق والجدران.
• حجم التنزيل: ~91.6 ميجابايت.

التطبيقات#

تدعم تجزئة الشقوق صيانة البنية التحتية من خلال تحديد وتقييم الأضرار الهيكلية في المباني والجسور والطرق. كما تعزز سلامة الطرق من خلال السماح للأنظمة الآلية بالكشف عن شقوق الأرصفة لإجراء الإصلاحات في الوقت المناسب.

في البيئات الصناعية، يساعد الكشف عن الشقوق باستخدام نماذج مثل Ultralytics YOLO26 في التحقق من سلامة المباني في البناء، ومنع التوقف المكلف في التصنيع، وجعل عمليات تفتيش الطرق أكثر أمانًا. يتيح التصنيف التلقائي للشقوق لفرق الصيانة تحديد أولويات الإصلاحات الأكثر إلحاحًا.

يمكن أيضًا تصفح وإدارة مجموعة بيانات تجزئة الشقوق الكاملة على منصة Ultralytics.

YAML مجموعة البيانات#

يحدد ملف YAML تكوين مجموعة البيانات. يتضمن تفاصيل حول مسارات مجموعة البيانات، والفئات، والمعلومات الأخرى ذات الصلة. بالنسبة لمجموعة بيانات تجزئة الشقوق، تتم صيانة ملف crack-seg.yaml على https://github.com/ultralytics/ultralytics/blob/main/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') 200 images
test: images/test # test images (relative to 'path') 112 images

# Classes
names:
  0: crack

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/crack-seg.zip

الاستخدام#

لتدريب نموذج Ultralytics YOLO26n-seg على مجموعة بيانات تجزئة الشقوق لمدة 100 حقبة بحجم صورة 640، استخدم مقاطع Python أو واجهة سطر الأوامر التالية. راجع صفحة توثيق التدريب للنموذج للحصول على قائمة شاملة بالوسائط المتاحة والتكوينات مثل ضبط المعلمات الفائقة.

from ultralytics import YOLO

# Load a model
# Using a pretrained model like yolo26n-seg.pt is recommended for faster convergence
model = YOLO("yolo26n-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')

عينة من البيانات والتعليقات#

فيما يلي مثال من مجموعة بيانات تجزئة الشقوق مع تراكب أقنعة تجزئة المثيلات الخاصة بها، لتحديد الشقوق المكتشفة على أسطح الطرق والجدران:

تمتد مجموعة البيانات عبر مواقع وأسطح ظروف إضاءة متنوعة، بحيث ترى النماذج المدربة عليها نطاق المشاهد الواقعية التي تحتاج إلى التعميم عبرها. يمكن لـ زيادة البيانات توسيع هذا التنوع بشكل أكبر - راجع دليل تجزئة المثيلات وتتبعها الخاص بنا للتعرف على سير العمل ذي الصلة.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات تقسيم التشققات في أبحاثك أو عملك التطويري، يرجى ذكر المصدر بشكل مناسب:

@misc{ crack-bphdr_dataset,
    title = { crack Dataset },
    type = { Open Source Dataset },
    author = { University },
    url = { https://universe.roboflow.com/university-bswxt/crack-bphdr },
    year = { 2022 },
    month = { dec },
    note = { visited on 2024-01-23 },
}

نشكر الفريق في Roboflow لإتاحة مجموعة بيانات تجزئة الشقوق، مما يوفر موردًا قيّمًا لمجتمع رؤية الحاسوب، لا سيما للمشاريع المتعلقة بسلامة الطرق وتقييم البنية التحتية. لمزيد من مجموعات البيانات، تفضل بزيارة مجموعة بيانات Ultralytics.

الأسئلة الشائعة#