Risssegmentierungsdatensatz#

4,028

Crack-Seg

ultralytics

publicSegment

Crack-Seg is an Ultralytics instance-segmentation dataset for road and wall damage. Single-class polygons delineate cracks across concrete, asphalt, masonry, varied illumination, and textured backgrounds for infrastructure inspection and surface-condition monitoring.

31 class171.3 MBSep 2, 2026

crack

instance-segmentationcracksinfrastructure+1

Der Ultralytics-Datensatz zur Risssegmentierung umfasst 4.029 annotierte Bilder von Rissen auf Straßen und an Wänden, die zum Training von Modellen zur Instanzsegmentierung mit einer einzigen Klasse crack dienen. Die Aufnahmen stammen aus vielfältigen Szenarien im Straßen- und Bauwerksbereich; der Datensatz lässt sich direkt mit Ultralytics YOLO für Anwendungsfälle kombinieren, die von der Verkehrssicherheit und der Umfelderkennung beim autonomen Fahren bis zur Instandhaltung von Infrastruktur und zur strukturellen Inspektion mit Computer Vision reichen.

Datensatzstruktur#

Der Risssegmentierungsdatensatz ist wie folgt in 4.029 Bilder aufgeteilt:

• Trainingssatz: 3.717 Bilder zum Trainieren des Deep-Learning-Modells.
• Validierungssatz: 200 Bilder, die während des Trainings zur Anpassung der Hyperparameter und zur Vermeidung von Überanpassung verwendet werden.
• Testsatz: 112 zurückgehaltene Bilder zur Bewertung des Modells nach dem Training.
• Klassen: eine einzige Klasse crack, die alle annotierten Risse auf Straßen und Mauern umfasst.
• Downloadgröße: ~91,6 MB.

Anwendungsfälle#

Die Risssegmentierung unterstützt die Instandhaltung von Infrastruktur, indem sie strukturelle Schäden an Gebäuden, Brücken und Straßen erkennt und bewertet. Sie erhöht außerdem die Verkehrssicherheit, da automatisierte Systeme Fahrbahnrisse erkennen und so rechtzeitige Reparaturen ermöglichen.

In industriellen Umgebungen helfen Modelle wie Ultralytics YOLO26, die Unversehrtheit von Gebäuden im Bauwesen zu überprüfen, kostspielige Ausfallzeiten in der Fertigung zu verhindern und Straßeninspektionen sicherer zu machen. Durch die automatische Klassifizierung von Rissen können Wartungsteams die dringendsten Reparaturen priorisieren.

Der vollständige Datensatz zur Risssegmentierung kann auch auf der Ultralytics Platform durchsucht und verwaltet werden.

YAML-Datei des Datensatzes#

Eine YAML-Datei definiert die Konfiguration des Datensatzes. Sie enthält Angaben zu den Pfaden, Klassen und weiteren relevanten Informationen des Datensatzes. Für den Datensatz zur Risssegmentierung wird die Datei crack-seg.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml verwaltet.

# 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

Verwendung#

Um das Modell Ultralytics YOLO26n-seg 100 Epochen lang mit einer Bildgröße von 640 auf dem Datensatz zur Risssegmentierung zu trainieren, verwende die folgenden Python- oder CLI-Codebeispiele. Eine vollständige Liste der verfügbaren Argumente und Konfigurationen, etwa zur Hyperparameteroptimierung, findest du auf der Dokumentationsseite zum Training des Modells.

from ultralytics import YOLO

# Ein Modell laden
# Für eine schnellere Konvergenz wird ein vortrainiertes Modell wie yolo26n-seg.pt empfohlen
model = YOLO("yolo26n-seg.pt")

# Trainiere das Modell mit dem Datensatz zur Risssegmentierung
# Stelle sicher, dass 'crack-seg.yaml' verfügbar ist, oder gib den vollständigen Pfad an
results = model.train(data="crack-seg.yaml", epochs=100, imgsz=640)

# Nach dem Training kann das Modell für Vorhersagen verwendet oder exportiert werden
# results = model.predict(source='path/to/your/images')

Beispieldaten und Annotationen#

Unten siehst du ein Beispiel aus dem Datensatz zur Risssegmentierung mit eingeblendeten Masken für die Instanzsegmentierung, die erkannte Risse auf Straßen- und Wandoberflächen umreißen:

Der Datensatz umfasst verschiedene Standorte, Oberflächen und Lichtverhältnisse. Dadurch lernen die damit trainierten Modelle das Spektrum realer Szenen kennen, auf das sie verallgemeinert werden müssen. Mit Datenerweiterung lässt sich diese Vielfalt noch vergrößern – weitere passende Arbeitsabläufe findest du in unserem Leitfaden zu Instanzsegmentierung und Tracking.

Zitate und Danksagungen#

Wenn du den Datensatz zur Risssegmentierung in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die Quelle korrekt:

@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 },
}

Wir danken dem Team von Roboflow dafür, dass es den Datensatz zur Risssegmentierung bereitgestellt und damit eine wertvolle Ressource für die Computer-Vision-Community geschaffen hat, insbesondere für Projekte rund um Verkehrssicherheit und die Bewertung von Infrastruktur. Weitere Datensätze findest du in der Ultralytics-Datensammlung.

Häufig gestellte Fragen#