Conjunto de datos de segmentación de grietas#

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

El conjunto de datos de segmentación de grietas de Ultralytics proporciona 4,029 imágenes anotadas de grietas en carreteras y paredes para entrenar modelos de segmentación de instancias en una única clase crack. Capturadas en diversos escenarios de pavimentos y estructuras, estas imágenes se integran directamente con Ultralytics YOLO para casos de uso que van desde la seguridad del transporte y la percepción de coches autónomos hasta el mantenimiento de infraestructuras y la inspección estructural mediante visión artificial.

Estructura del dataset#

El conjunto de datos de segmentación de grietas divide sus 4.029 imágenes de la siguiente manera:

• Conjunto de entrenamiento: 3.717 imágenes utilizadas para el entrenamiento del modelo de aprendizaje profundo.
• Conjunto de validación: 200 imágenes utilizadas durante el entrenamiento para ajustar los hiperparámetros y evitar el sobreajuste.
• Conjunto de prueba: 112 imágenes reservadas para evaluar el modelo después del entrenamiento.
• Clases: una única clase crack que incluye todas las grietas anotadas en carreteras y paredes.
• Tamaño de descarga: ~91.6 MB.

Aplicaciones#

La segmentación de grietas favorece el mantenimiento de infraestructuras al identificar y evaluar daños estructurales en edificios, puentes y carreteras. También mejora la seguridad vial, ya que permite a los sistemas automatizados detectar grietas en el pavimento para repararlas a tiempo.

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

El conjunto de datos de segmentación de grietas completo también se puede explorar y gestionar en Ultralytics Platform.

YAML del dataset#

Un archivo YAML define la configuración del conjunto de datos. Incluye información sobre las rutas del conjunto de datos, las clases y otros datos relevantes. Para el conjunto de datos de segmentación de grietas, 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 con el conjunto de datos de segmentación de grietas durante 100 épocas y con un tamaño de imagen de 640, utiliza los siguientes fragmentos de Python o CLI. Consulta la página de documentación de entrenamiento del modelo para obtener una lista completa de los argumentos y configuraciones disponibles, 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')

Datos de ejemplo y anotaciones#

A continuación se muestra un ejemplo del conjunto de datos de segmentación de grietas con sus máscaras de segmentación de instancias superpuestas, que delimitan las grietas identificadas en superficies de carreteras y paredes:

El conjunto de datos abarca ubicaciones, superficies y condiciones de iluminación variadas, por lo que los modelos entrenados con él ven la diversidad de escenas del mundo real que necesitan para generalizar. La aumentación de datos puede ampliar aún más esa variedad; consulta nuestra guía de segmentación de instancias y seguimiento para conocer flujos de trabajo relacionados.

Citas y agradecimientos#

Si utilizas el conjunto de datos de segmentación de grietas en tus trabajos de investigación o desarrollo, 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 que haya puesto a disposición el conjunto de datos de segmentación de grietas y haya proporcionado un recurso valioso para la comunidad de visión artificial, especialmente para proyectos relacionados con la seguridad vial y la evaluación de infraestructuras. Para consultar más conjuntos de datos, visita la colección de conjuntos de datos de Ultralytics.

Preguntas frecuentes#