Datensatz zur Rissegmentierung#

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

Das Ultralytics Crack Segmentation Dataset bietet 4.029 annotierte Bilder von Rissen auf Straßen und Wänden zum Training von instance segmentation-Modellen für eine einzelne crack-Klasse. Aufgenommen in verschiedenen Pflaster- und Strukturszenarien, lässt es sich direkt mit Ultralytics YOLO für Anwendungsbereiche von Verkehrssicherheit und self-driving car-Wahrnehmung bis hin zu infrastructure maintenance und struktureller computer vision-Inspektion verwenden.

Datensatzstruktur#

Das Crack Segmentation Dataset unterteilt seine 4.029 Bilder wie folgt:

• Training set: 3.717 Bilder, die zum training des deep learning-Modells verwendet werden.
• Validation set: 200 Bilder, die während des Trainings zur Anpassung von 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.

Anwendungen#

Die Risssegmentierung unterstützt infrastructure maintenance durch die Identifizierung und Bewertung von Strukturschäden an Gebäuden, Brücken und Straßen. Sie verbessert zudem die road safety, indem sie automatisierte Systeme Pflasterrissen für rechtzeitige Reparaturen erkennen lässt.

In industriellen Umgebungen hilft die Risserkennung mit Modellen wie Ultralytics YOLO26 dabei, die Gebäudeintegrität im Bauwesen zu verifizieren, kostspielige Ausfallzeiten in der manufacturing-Industrie zu verhindern und Straßeninspektionen sicherer zu machen. Durch das automatische Klassifizieren von Rissen können Wartungsteams die dringendsten Reparaturen priorisieren.

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

Datensatz-YAML#

Eine YAML-Datei definiert die Dataset-Konfiguration. Sie enthält Details zu den Pfaden, Klassen und anderen 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

Verwendung#

Um das Ultralytics YOLO26n-seg-Modell auf dem Crack Segmentation Dataset für 100 epochs mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Python- oder CLI-Snippets. Siehe die Training-Dokumentationsseite des Modells für eine umfassende Liste der verfügbaren Argumente und Konfigurationen wie hyperparameter tuning.

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 Crack Segmentation Dataset mit überlagerten instance segmentation-Masken zu sehen, die identifizierte Risse auf Straßen- und Wandoberflächen umrissen darstellen:

Das Dataset erstreckt sich über verschiedene Standorte, Oberflächen und Lichtverhältnisse, sodass darauf trainierte Modelle die Vielfalt realer Szenen sehen, über die sie generalisieren müssen. Data augmentation kann diese Vielfalt weiter vergrößern – siehe unseren instance segmentation and tracking guide für verwandte Workflows.

Zitate 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 Dataset, wodurch eine wertvolle Ressource für die Computer-Vision-Community geschaffen wurde, insbesondere für Projekte im Zusammenhang mit Verkehrssicherheit und Infrastrukturbewertung. Für weitere Datasets besuche die Ultralytics Datasets collection.

FAQ#