Conjunto de datos de segmentación de grietas#

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

El Ultralytics Crack Segmentation Dataset proporciona 4.029 imágenes anotadas de grietas en carreteras y paredes para entrenar modelos de instance segmentation en una única clase crack. Capturado en diversos escenarios de pavimentos y estructuras, se combina directamente con Ultralytics YOLO para casos de uso que van desde la seguridad vial y la percepción en self-driving car hasta el infrastructure maintenance y la inspección estructural de computer vision.

Estructura del dataset#

El Crack Segmentation Dataset divide sus 4.029 imágenes de la siguiente manera:

• Conjunto de entrenamiento: 3.717 imágenes utilizadas para el training del modelo de deep learning.
• Conjunto de validación: 200 imágenes utilizadas durante el entrenamiento para ajustar los hyperparameters y evitar el overfitting.
• Conjunto de pruebas: 112 imágenes reservadas para evaluar el modelo después del entrenamiento.
• Clases: una única clase crack que cubre cada grieta anotada en carreteras y paredes.
• Tamaño de descarga: ~91,6 MB.

Aplicaciones#

La segmentación de grietas respalda el infrastructure maintenance mediante la identificación y evaluación de daños estructurales en edificios, puentes y carreteras. También mejora la road safety al permitir que los sistemas automatizados detecten grietas en el pavimento para reparaciones oportunas.

En entornos industriales, la detección de grietas con modelos como Ultralytics YOLO26 ayuda a verificar la integridad de los edificios en la construcción, previene costosos tiempos de inactividad en la manufacturing y hace que las inspecciones de carreteras sean más seguras. Clasificar automáticamente las grietas permite a los equipos de mantenimiento priorizar las reparaciones más urgentes.

El Crack Segmentation Dataset completo también se puede explorar y gestionar en Ultralytics Platform.

YAML del dataset#

Un archivo YAML define la configuración del conjunto de datos. Incluye detalles sobre las rutas del conjunto de datos, las clases y otra información relevante. Para el conjunto de datos Crack Segmentation, el archivo crack-seg.yaml se mantiene en 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

Uso#

Para entrenar el modelo Ultralytics YOLO26n-seg en el conjunto de datos Crack Segmentation durante 100 epochs con un tamaño de imagen de 640, utiliza los siguientes fragmentos de Python o CLI. Consulta la página de documentación de Training del modelo para obtener una lista completa de los argumentos disponibles y configuraciones como el 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')

Ejemplos de datos y anotaciones#

A continuación se muestra un ejemplo del Crack Segmentation Dataset con sus máscaras de instance segmentation superpuestas, que perfilan las grietas identificadas en superficies de carreteras y paredes:

El conjunto de datos abarca diversas ubicaciones, superficies y condiciones de iluminación, por lo que los modelos entrenados en él ven la variedad de escenas del mundo real en las que necesitan generalizarse. El Data augmentation puede ampliar aún más esa variedad; consulta nuestra guía de segmentación de instancias y seguimiento para ver flujos de trabajo relacionados.

Citas y agradecimientos#

Si utilizas el conjunto de datos de segmentación de grietas en tu trabajo de investigación o desarrollo, por favor cita la fuente adecuadamente:

@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 },
}

Agradecemos al equipo de Roboflow por poner a disposición el conjunto de datos Crack Segmentation, proporcionando un recurso valioso para la comunidad de computer vision, particularmente para proyectos relacionados con la seguridad vial y la evaluación de infraestructuras. Para más conjuntos de datos, visita la colección de conjuntos de datos de Ultralytics.

FAQ#