Datensatz zur Risserkennung#

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, um Modelle für die Instanzsegmentierung anhand einer einzelnen crack-Klasse zu trainieren. Die in vielfältigen Szenarien an Straßenbelägen und Bauwerken erfassten Bilder eignen sich direkt für Ultralytics YOLO und Anwendungsfälle von der Wahrnehmung für autonome Fahrzeuge über die Instandhaltung der Infrastruktur bis hin zur Inspektion von Bauwerken mithilfe von Computer Vision.

Datensatzstruktur#

Der Datensatz zur Risserkennung teilt seine 4.029 Bilder wie folgt auf:

• Trainingsdatensatz: 3.717 Bilder zum Trainieren des Deep-Learning-Modells.
• Validierungsdatensatz: 200 Bilder, die während des Trainings zum Abstimmen der Hyperparameter und zum Verhindern von Überanpassung verwendet werden.
• Testdatensatz: 112 zurückgehaltene Bilder zur Bewertung des Modells nach dem Training.
• Klassen: eine einzige Klasse crack, die alle annotierten Risse auf Straßen und an Wänden abdeckt.
• Downloadgröße: ~91,6 MB.

Anwendungen#

Die Risssegmentierung unterstützt die Instandhaltung von Infrastruktur, indem sie strukturelle Schäden an Gebäuden, Brücken und Straßen erkennt und bewertet. Sie verbessert außerdem die Verkehrssicherheit, da automatisierte Systeme Risse in Fahrbahnen für eine rechtzeitige Reparatur erkennen können.

In industriellen Umgebungen hilft die Risserkennung mit Modellen wie Ultralytics YOLO26, die Integrität von Gebäuden im Bauwesen zu überprüfen, kostspielige Ausfallzeiten in der Fertigung zu vermeiden und Straßeninspektionen sicherer zu machen. Durch die automatische Klassifizierung von Rissen können Instandhaltungsteams die dringendsten Reparaturen priorisieren.

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

Dataset-YAML#

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 Risserkennung wird die Datei crack-seg.yaml 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

Verwendung#

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

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')

Beispieldaten und Annotationen#

Unten ist ein Beispiel aus dem Datensatz zur Risserkennung mit darübergelegten Masken zur Instanzsegmentierung zu sehen, die erkannte Risse auf Straßen- und Wandoberflächen umreißen:

Der Datensatz umfasst unterschiedliche Orte, Oberflächen und Lichtverhältnisse. Dadurch sehen die darauf trainierten Modelle die Vielfalt realer Szenen, über die sie generalisieren müssen. Mit Datenerweiterung lässt sich diese Vielfalt noch vergrößern – weitere Informationen zu entsprechenden Arbeitsabläufen findest du in unserem Leitfaden zur Instanzsegmentierung und Verfolgung.

Zitate und Danksagungen#

Wenn du den Datensatz zur Risserkennung in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die Quelle 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, das den Datensatz zur Risserkennung verfügbar gemacht und damit der Computer-Vision-Community eine wertvolle Ressource bereitgestellt hat, insbesondere für Projekte zur Verkehrssicherheit und Infrastrukturbewertung. Weitere Datensätze findest du in der Ultralytics-Datensammlung.

FAQ#