Link to this sectionConjunto de datos de segmentación de grietas#

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 integra directamente con Ultralytics YOLO para casos de uso que abarcan desde la seguridad en el transporte y la percepción en self-driving car hasta el infrastructure maintenance y la inspección estructural mediante computer vision.

Link to this sectionEstructura 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 abarca todas las grietas anotadas en carreteras y paredes.
• Tamaño de descarga: ~91,6 MB.

Link to this sectionAplicaciones#

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, evita costosos tiempos de inactividad en la manufacturing y hace que las inspecciones de carreteras sean más seguras. La clasificación automática de 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.

Link to this sectionYAML 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

Link to this sectionUso#

Para entrenar el modelo Ultralytics YOLO26n-seg en el conjunto de datos de segmentación de grietas durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes fragmentos de Python o CLI. Consulta la página de documentación de Entrenamiento de modelos para obtener una lista completa de los argumentos disponibles y configuraciones como el ajuste de hiperparámetros.

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 sectionEjemplos de datos y anotaciones#

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

El conjunto de datos abarca ubicaciones, superficies y condiciones de iluminación variadas, de modo que los modelos entrenados en él vean la gama de escenas del mundo real que necesitan para generalizar. La data augmentation puede ampliar aún más esa variedad; consulta nuestra guía de segmentación de instancias y seguimiento para conocer los flujos de trabajo relacionados.

Link to this sectionCitas 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 visión artificial, particularmente para proyectos relacionados con la seguridad vial y la evaluación de infraestructuras. Para obtener más conjuntos de datos, visita la colección de Ultralytics Datasets.

Link to this sectionFAQ#

Link to this section¿Qué es el Crack Segmentation Dataset y cómo se utiliza en Ultralytics YOLO26?#

El Crack Segmentation Dataset es una colección de 4.029 imágenes anotadas de grietas en carreteras y paredes para entrenar y evaluar modelos de instance segmentation en una única clase crack. Está diseñado para aplicaciones de seguridad en el transporte e infraestructura, como la inspección estructural y la evaluación de pavimentos, y se utiliza directamente con Ultralytics YOLO26 a través del archivo de configuración crack-seg.yaml.

Link to this section¿Cuántas imágenes y clases contiene el Crack Segmentation Dataset?#

El conjunto de datos suma 4.029 imágenes (3.717 para entrenamiento, 200 para validación y 112 para pruebas), todas ellas anotadas para una única clase crack. El archivo completo se descarga automáticamente como un .zip de ~91,6 MB en el primer uso.

Link to this section¿Cómo entreno un modelo Ultralytics YOLO26 con el Crack Segmentation Dataset?#

Carga un modelo de segmentación preentrenado (por ejemplo, yolo26n-seg.pt) y entrénalo con la configuración crack-seg.yaml utilizando los fragmentos de código de Python o CLI en la sección Uso anterior. Consulta la guía de entrenamiento para obtener la lista completa de argumentos disponibles.

Link to this section¿Por qué utilizar el Crack Segmentation Dataset para proyectos de coches autónomos e infraestructura?#

Sus diversas imágenes de grietas en carreteras y paredes cubren muchos escenarios del mundo real, mejorando la robustez de los modelos entrenados para la detección de grietas. Una segmentación precisa respalda los sistemas de road safety y evaluación de infraestructura que deben identificar posibles peligros de forma fiable; consulta la sección Aplicaciones anterior y nuestros consejos para el entrenamiento de modelos para conocer las mejores prácticas.

Link to this section¿Dónde puedo encontrar el archivo de configuración del conjunto de datos para Crack Segmentation?#

El archivo crack-seg.yaml, que define las rutas del conjunto de datos y la única clase crack, se encuentra en el repositorio de GitHub de Ultralytics: crack-seg.yaml.