Link to this sectionDatensatz zur Rissegmentierung#

Das Ultralytics Crack Segmentation Dataset bietet 4.029 annotierte Bilder von Rissen auf Straßen und Wänden für das Training von instance segmentation-Modellen für eine einzelne crack-Klasse. Es wurde in verschiedenen Straßen- und Bauwerkszenarien aufgenommen und lässt sich direkt mit Ultralytics YOLO für Anwendungsfälle von Verkehrssicherheit und self-driving car-Wahrnehmung bis hin zu infrastructure maintenance und struktureller computer vision-Inspektion kombinieren.

Link to this sectionDatensatzstruktur#

Das Crack Segmentation Dataset unterteilt seine 4.029 Bilder wie folgt:

• Training set: 3.717 Bilder, die für das training des deep learning-Modells verwendet werden.
• Validation set: 200 Bilder, die während des Trainings zur Optimierung der hyperparameters und zur Vermeidung von overfitting verwendet werden.
• Testing set: 112 Bilder, die zurückgehalten werden, um das Modell nach dem Training zu evaluieren.
• Classes: eine einzelne crack-Klasse, die jeden annotierten Riss auf Straßen und Wänden abdeckt.
• Download size: ~91,6 MB.

Link to this sectionAnwendungen#

Die Risssegmentierung unterstützt die infrastructure maintenance, indem sie strukturelle Schäden an Gebäuden, Brücken und Straßen identifiziert und bewertet. Sie verbessert zudem die road safety, indem automatisierte Systeme Risse im Straßenbelag für rechtzeitige Reparaturen erkennen können.

In industriellen Umgebungen hilft die Risserkennung mit Modellen wie Ultralytics YOLO26 dabei, die Integrität von Gebäuden im Bauwesen zu überprüfen, kostspielige Ausfallzeiten in der manufacturing zu verhindern und Straßeninspektionen sicherer zu machen. Durch die automatische Klassifizierung von Rissen können Wartungsteams die dringlichsten Reparaturen priorisieren.

Das vollständige Crack Segmentation Dataset kann auch auf der Ultralytics Platform durchsucht und verwaltet werden.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei definiert die Dataset-Konfiguration. Sie enthält Details zu den Pfaden, Klassen und weiteren relevanten Informationen des Datasets. Für das Crack Segmentation-Dataset wird die crack-seg.yaml-Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/crack-seg.yaml gepflegt.

# 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

Link to this sectionVerwendung#

Um das Modell Ultralytics YOLO26n-seg für 100 Epochen mit einer Bildgröße von 640 auf dem Datensatz zur Rissegmentierung zu trainieren, verwende die folgenden Python- oder CLI-Snippets. Sieh dir die Dokumentationsseite zum Training des Modells an, um eine umfassende Liste verfügbarer Argumente und Konfigurationen wie Hyperparameter-Tuning zu erhalten.

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')

Link to this sectionBeispieldaten und Annotationen#

Unten siehst du ein Beispiel aus dem Crack Segmentation Dataset mit überlagerten instance segmentation-Masken, die identifizierte Risse auf Straßen- und Wandoberflächen markieren:

Das Dataset deckt vielfältige Standorte, Oberflächen und Lichtverhältnisse ab, sodass die darauf trainierten Modelle das Spektrum realer Szenen sehen, das sie für ihre Generalisierung benötigen. Data augmentation kann diese Vielfalt weiter erhöhen – siehe unseren instance segmentation and tracking guide für verwandte Workflows.

Link to this sectionZitate und Danksagungen#

Wenn du den Datensatz zur Rissegmentierung für deine Forschung oder Entwicklungsarbeit verwendest, zitiere die Quelle bitte angemessen:

@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 für die Bereitstellung des Crack Segmentation Datasets, das eine wertvolle Ressource für die Computer-Vision-Community darstellt, insbesondere für Projekte rund um Verkehrssicherheit und Infrastrukturbewertung. Weitere Datasets findest du in der Ultralytics Datasets collection.

Link to this sectionFAQ#

Link to this sectionWas ist das Crack Segmentation Dataset und wie wird es in Ultralytics YOLO26 verwendet?#

Das Crack Segmentation Dataset ist eine Sammlung von 4.029 annotierten Bildern von Rissen auf Straßen und Wänden für das Training und die Evaluierung von instance segmentation-Modellen für eine einzelne crack-Klasse. Es wurde für Anwendungen im Bereich Verkehrssicherheit und Infrastruktur, wie strukturelle Inspektionen und Straßenbewertungen, entwickelt und wird direkt mit Ultralytics YOLO26 über die Konfigurationsdatei crack-seg.yaml verwendet.

Link to this sectionWie viele Bilder und Klassen enthält das Crack Segmentation Dataset?#

Das Dataset umfasst insgesamt 4.029 Bilder – 3.717 für das Training, 200 für die Validierung und 112 für den Test – alle annotiert für eine einzelne crack-Klasse. Das vollständige Archiv wird bei der ersten Verwendung automatisch als ~91,6 MB große .zip-Datei heruntergeladen.

Link to this sectionWie trainiere ich ein Ultralytics YOLO26-Modell mit dem Crack Segmentation Dataset?#

Lade ein vortrainiertes Segmentierungsmodell (z. B. yolo26n-seg.pt) und trainiere es mit der crack-seg.yaml-Konfiguration mithilfe der Python- oder CLI-Snippets im Abschnitt Usage oben. Siehe den Training guide für die vollständige Liste der verfügbaren Argumente.

Link to this sectionWarum sollte man das Crack Segmentation Dataset für Projekte in den Bereichen selbstfahrende Autos und Infrastruktur verwenden?#

Die vielfältigen Bilder von Rissen auf Straßen und Wänden decken viele reale Szenarien ab und verbessern die Robustheit von Modellen, die für die Risserkennung trainiert werden. Eine präzise Segmentierung unterstützt road safety und Systeme zur Infrastrukturbewertung, die potenzielle Gefahren zuverlässig identifizieren müssen – siehe dazu den Abschnitt Applications oben sowie unsere model training tips für Best Practices.

Link to this sectionWo finde ich die Dataset-Konfigurationsdatei für Crack Segmentation?#

Die Datei crack-seg.yaml, die die Pfade zum Dataset und die einzelne crack-Klasse definiert, befindet sich im Ultralytics GitHub-Repository: crack-seg.yaml.